WO2019039819A1 - 사용자의 활동 정보에 기반하여 운동 강도와 관련된 가이드 정보를 제공하는 방법 및 장치 - Google Patents

사용자의 활동 정보에 기반하여 운동 강도와 관련된 가이드 정보를 제공하는 방법 및 장치 Download PDF

Info

Publication number
WO2019039819A1
WO2019039819A1 PCT/KR2018/009557 KR2018009557W WO2019039819A1 WO 2019039819 A1 WO2019039819 A1 WO 2019039819A1 KR 2018009557 W KR2018009557 W KR 2018009557W WO 2019039819 A1 WO2019039819 A1 WO 2019039819A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
exercise
electronic device
user
processor
Prior art date
Application number
PCT/KR2018/009557
Other languages
English (en)
French (fr)
Inventor
강승석
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to US16/640,450 priority Critical patent/US11610506B2/en
Publication of WO2019039819A1 publication Critical patent/WO2019039819A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/003—Repetitive work cycles; Sequence of movements
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/003—Repetitive work cycles; Sequence of movements
    • G09B19/0038—Sports
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/725—Cordless telephones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A63B2024/0068—Comparison to target or threshold, previous performance or not real time comparison to other individuals
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2225/00—Miscellaneous features of sport apparatus, devices or equipment
    • A63B2225/20—Miscellaneous features of sport apparatus, devices or equipment with means for remote communication, e.g. internet or the like

Definitions

  • Various embodiments of the present invention disclose methods and apparatus for personal coaching a user's workout in an electronic device.
  • PDAs wearable devices, digital cameras (personal digital assistants), personal digital assistants (PDAs), personal digital assistants various types of electronic devices such as a camera or a personal computer are widely used.
  • an electronic device may provide various exercise programs for a user's health care.
  • the user may select one of the various exercise programs of the electronic device and perform the exercise effectively according to a guide (or an exercise coach) by the selected exercise program.
  • the exercise programs provided in the electronic device do not take into consideration the health state of the user and the current state (or the tendency) of the exercise, and are limited (or limited) to exercise programs preset in the electronic device or downloaded from the outside It is true. Therefore, when the user uses the exercise program, the user can receive only the exercise coaches according to the exercise amount of the repetitive pattern (for example, exercise time, exercise distance, etc.) every time regardless of the state of the user's health or motion progression.
  • the exercise programs for example, exercise time, exercise distance, etc.
  • a method and apparatus that can provide healthcare services through a personal coach, where the user's condition is taken into account in an electronic device.
  • a method and apparatus for providing guide information related to exercise intensity based on user activity information in an electronic device is disclosed.
  • a method and apparatus for generating a target of exercise for an athletic coach that is more suitable for a user at a current time in an electronic device is disclosed.
  • An electronic device in accordance with various embodiments of the present invention includes a sensor circuit and a processor, the processor comprising: at least one activity information that satisfies a specified condition of one or more activity information previously obtained in association with a user & Determining a first exercise intensity for the user based at least in part on a change corresponding to a time course of the at least one activity information and determining a first exercise intensity for the user based at least on a previously set exercise goal associated with the user, Determine the second exercise intensity at which the first exercise intensity is adjusted, and provide guide information related to the second exercise intensity.
  • An operation method of an electronic device includes the steps of: determining at least one activity information satisfying a specified one of one or more activity information previously obtained in association with a user's movement; Determining a first exercise intensity for the user based at least in part on a change corresponding to a time flow of information based on at least one of the first exercise intensity and the second exercise intensity, Determining a second exercise intensity, and providing the guide information associated with the second exercise intensity.
  • a recording medium is a recording medium for determining at least one activity information satisfying a specified one of at least one activity information previously acquired in association with a movement of a user, Determining a first exercise intensity for the user based at least in part on a change corresponding to a flow and determining a first exercise intensity with the first exercise intensity adjusted based on at least a previously set exercise goal associated with the user And a program for causing the computer to execute an operation of determining a second exercise intensity and providing guide information related to the second exercise intensity.
  • a personalized health care service can be provided in consideration of the state of the user.
  • the user when coaching a user's movement in an electronic device, the user can set a more appropriate exercise goal at a current time point, taking into account the health of the user or the state of the movement of the user.
  • it is possible to adaptively set (generate) and provide a most suitable exercise goal at the time when the user starts the exercise, and to provide the exercise goal set based on the user selection to be registered as an exercise program .
  • the electronic device according to various embodiments can contribute to improving usability, convenience, or usability of the electronic device.
  • FIG. 1 is a block diagram of an electronic device in a network environment in accordance with various embodiments.
  • FIG. 2 is a block diagram of a display device, in accordance with various embodiments.
  • FIG. 3 is a diagram illustrating an example of a function processing module in an electronic device according to various embodiments of the present invention.
  • FIG. 4 is a flow chart illustrating a method of providing healthcare services in an electronic device in accordance with various embodiments of the present invention.
  • FIG. 5 is a flow chart illustrating a filtering method in an electronic device in accordance with various embodiments of the present invention.
  • FIG. 6 is a diagram showing an example of filtering results in an electronic device according to various embodiments.
  • FIG. 7 is a flow chart illustrating a method for obtaining source data in an electronic device according to various embodiments.
  • FIG. 8 is a diagram illustrating an example of obtaining source data in an electronic device according to various embodiments.
  • FIG. 9 is a flow chart illustrating a method for determining target data in an electronic device according to various embodiments.
  • FIG. 10 is a diagram illustrating an example of determining target data in an electronic device according to various embodiments.
  • FIG. 11 is a diagram illustrating an example of a method of estimating target data in an electronic device according to various embodiments.
  • FIG. 12 is a flow chart illustrating a method for determining target data in an electronic device according to various embodiments.
  • FIG. 13 is a flow chart illustrating another example of determining target data in an electronic device according to various embodiments.
  • FIG. 14 is a diagram illustrating another example of determining target data in an electronic device according to various embodiments.
  • 15 is a flow chart illustrating a method for generating recommendation data in an electronic device according to various embodiments.
  • 16 is a flow chart illustrating a method of processing recommendation data in an electronic device according to various embodiments.
  • 17 is a diagram illustrating an operating scenario for coaching motion in an electronic device according to various embodiments.
  • FIG. 18 is a flow diagram illustrating a method for providing healthcare services in an electronic device in accordance with various embodiments.
  • 19 is a diagram illustrating an example of a user interface associated with a sports coach in an electronic device according to various embodiments.
  • FIG. 1 is a block diagram of an electronic device 101 in a network environment 100 in accordance with various embodiments.
  • an electronic device 101 in a network environment 100 communicates with an electronic device 102 via a first network 198 (e.g., near-field wireless communication) or a second network 199 (E. G., Remote wireless communication).
  • a first network 198 e.g., near-field wireless communication
  • a second network 199 E. G., Remote wireless communication
  • the electronic device 101 is capable of communicating with the electronic device 104 through the server 108.
  • the electronic device 101 includes a processor 120, a memory 130, an input device 150, an audio output device 155, a display device 160, an audio module 170, a sensor module 176, an interface 177, a haptic module 179, a camera module 180, a power management module 188, a battery 189, a communication module 190, a subscriber identity module 196, and an antenna module 197 ).
  • at least one (e.g., display 160 or camera module 180) of these components may be omitted from the electronic device 101, or other components may be added.
  • a sensor module 176 e.g., a fingerprint sensor, an iris sensor, or an illuminance sensor
  • Components can be integrated and implemented.
  • Processor 120 drives at least one other component (e.g., hardware or software component) of electronic device 101 that is coupled to processor 120 by driving software, e.g., program 140, And can perform various data processing and arithmetic operations.
  • Processor 120 loads instructions and data received from other components (e.g., sensor module 176 or communications module 190) into a volatile memory 132 for processing, May be stored in a non-volatile memory (134).
  • the processor 120 may include a main processor 121 (e.g., a central processing unit (CPU) or an application processor (AP)) and, independently, (E.g., a graphics processing unit (GPU), an image signal processor (ISP), a sensor hub, etc.) using a lower power than the main processor 121, A sensor hub processor, or a communication processor (CP)).
  • a main processor 121 e.g., a central processing unit (CPU) or an application processor (AP)
  • AP application processor
  • GPU graphics processing unit
  • ISP image signal processor
  • sensor hub e.g., a sensor hub processor
  • CP communication processor
  • the coprocessor 123 may be operated separately from or embedded in the main processor 121.
  • the coprocessor 123 may, for example, be on behalf of the main processor 121 while the main processor 121 is inactive (e.g., in a sleep state) At least one of the components of the electronic device 101 (e.g., the display device 160, the sensor), the main processor 121, (E.g., module 176, or communication module 190).
  • the coprocessor 123 e.g., an image signal processor or communications processor
  • the coprocessor 123 is implemented as a component of some other functionally related component (e.g., camera module 180 or communication module 190) .
  • Memory 130 may store various data used by at least one component (e.g., processor 120 or sensor module 176) of electronic device 101, e.g., software (e.g., program 140) ), And input data or output data for the associated command.
  • the memory 130 may include a volatile memory 132 or a non-volatile memory 134.
  • the program 140 may be software stored in the memory 130 and may include, for example, an operating system (OS) 142, a middleware 144,
  • OS operating system
  • middleware middleware
  • the input device 150 is an apparatus for receiving a command or data to be used for a component (e.g., processor 120) of the electronic device 101 from the outside (e.g., a user) of the electronic device 101, A microphone, a mouse, a keyboard, or the like.
  • a component e.g., processor 120
  • the sound output device 155 is an apparatus for outputting a sound signal to the outside of the electronic device 101.
  • the sound output device 155 may include a speaker for general use such as a multimedia reproduction or a sound reproduction and a receiver receiver.
  • the receiver may be formed integrally or separately with the speaker.
  • Display device 160 may be an apparatus for visually providing information to a user of electronic device 101 and may include, for example, a display, a hologram device, or a projector and control circuitry for controlling the projector. According to one embodiment, the display device 160 may include a pressure sensor (or force sensor) capable of measuring the intensity of pressure on a touch circuitry or touch .
  • a pressure sensor or force sensor
  • the audio module 170 is capable of bi-directionally converting sound and electrical signals. According to one embodiment, the audio module 170 may acquire sound through the input device 150, or may be connected to the audio output device 155, or to an external electronic device (e.g., Electronic device 102 (e.g., a speaker or headphone)).
  • an external electronic device e.g., Electronic device 102 (e.g., a speaker or headphone)
  • the sensor module 176 may generate an electrical signal or data value corresponding to an internal operating state (e.g., power or temperature) of the electronic device 101, or an external environmental condition.
  • the sensor module 176 may be, for example, a gesture sensor, a gyro sensor, a barometer sensor, a magnetic sensor, an acceleration sensor, a grip sensor a proximity sensor, a color sensor (e.g., an RGB (red, green, blue) sensor, an infrared (IR) sensor, a biomedical sensor, sensor, a humidity sensor, an illuminance sensor, and the like.
  • the interface 177 may support a designated protocol that can be wired or wirelessly connected to an external electronic device (e.g., the electronic device 102).
  • the interface 177 may include a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, a secure digital (SD) card interface, or an audio interface.
  • HDMI high definition multimedia interface
  • USB universal serial bus
  • SD secure digital
  • the connection terminal 178 may be a connector capable of physically connecting the electronic device 101 and an external electronic device such as the electronic device 102, for example, an HDMI connector, a USB connector, an SD card connector , Or an audio connector (e.g., a headphone connector).
  • an HDMI connector e.g., a USB connector
  • an SD card connector e.g., a USB connector
  • an audio connector e.g., a headphone connector
  • the haptic module 179 may convert electrical signals into mechanical stimuli (e.g., vibrations or movements) or electrical stimuli that the user may perceive through a tactile or kinesthetic sense.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 can capture a still image and a moving image.
  • the camera module 180 may include one or more lenses, an image sensor, an image signal processor, or a flash.
  • the power management module 188 is a module for managing the power supplied to the electronic device 101, and may be configured as at least a part of, for example, a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery 189 is an apparatus for supplying power to at least one component of the electronic device 101 and includes, for example, a non-rechargeable primary battery, a rechargeable secondary battery, or a fuel cell .
  • the communication module 190 is responsible for establishing a wired or wireless communication channel between the electronic device 101 and an external electronic device (e.g., electronic device 102, electronic device 104, or server 108) Lt; / RTI > Communication module 190 may include one or more communication processors that support wired communication or wireless communication, operating independently of processor 120 (e.g., an application processor).
  • the communication module 190 may include a wireless communication module 192 (e.g., a cellular communication module, a short range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (E.g., a local area network (LAN) communication module, or a power line communication module), and the corresponding communication module may be used to communicate with a first network 198 (e.g., Bluetooth, WiFi direct, Communication network) or a second network 199 (e.g., a telecommunications network such as a cellular network, the Internet, or a computer network such as a LAN or wide area network (WAN)).
  • a wireless communication module 192 e.g., a cellular communication module, a short range wireless communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 E.g., a local area network (LAN) communication module, or a power line communication module
  • the wireless communication module 192 may use the user information stored in the subscriber identification module 196 to identify and authenticate the electronic device 101 within the communication network.
  • the antenna module 197 may include one or more antennas for externally transmitting or receiving signals or power.
  • the communication module 190 e.g., the wireless communication module 192 may transmit or receive signals to or from an external electronic device via an antenna suitable for the communication scheme.
  • Some of the components are connected to each other via a communication method (e.g., bus, general purpose input / output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI) (For example, commands or data) can be exchanged with each other.
  • a communication method e.g., bus, general purpose input / output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI) (For example, commands or data) can be exchanged with each other.
  • GPIO general purpose input / output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 via the server 108 connected to the second network 199.
  • Each of the electronic devices 102 and 104 may be the same or a different kind of device as the electronic device 101.
  • all or a portion of the operations performed in the electronic device 101 may be performed in the other one or more of the plurality of external electronic devices 102,104.
  • the electronic device 101 in the event that the electronic device 101 has to perform some function or service automatically or upon request, the electronic device 101 may be capable of executing the function or service itself, And may request the external electronic device 102, 104 to perform at least some functions associated therewith.
  • the external electronic device 102, 104 receiving the request can execute the requested function or additional function and transmit the result to the electronic device 101.
  • the electronic device 101 can directly or additionally process the received result to provide the requested function or service.
  • cloud computing, distributed computing, or client-server computing techniques may be used.
  • FIG. 2 is a block diagram 200 of a display device 160, in accordance with various embodiments.
  • the display device 160 may include a display 210 and a display driver IC (DDI) 230 for controlling the display 210.
  • the DDI 230 may include an interface module 231, a memory 233 (e.g., a buffer memory), an image processing module 235, or a mapping module 237.
  • the DDI 230 is coupled to the processor 120 (e.g., the main processor 121 (e.g., an application processor) or the main processor 121 via an interface module 231, (E.g., the video data control unit 123), or image control signals corresponding to commands for controlling the video data.
  • the DDI 230 can communicate with the touch circuit 250, the sensor module 176, and the like through the interface module 231.
  • the DDI 230 may store at least a part of the received image information in the memory 233, for example, on a frame-by-frame basis.
  • the image processing module 235 may perform at least some of the image data, for example, by pre-processing or post-processing (e.g., based on at least the characteristics of the image data or characteristics of the display 210) : Resolution, brightness, or size adjustment, etc.).
  • pre-processing or post-processing e.g., based on at least the characteristics of the image data or characteristics of the display 210) : Resolution, brightness, or size adjustment, etc.
  • the mapping module 237 may be configured to perform various operations on the image processing module 135 based at least in part on the attributes of the pixels of the display 210 (e.g., an array of pixels (RGB stripe or pentile) Or post-processed image data to a voltage value or a current value capable of driving the pixels. At least some pixels of the display 210 may be displayed on the display 210 by being driven based on, for example, a voltage value or a current value, such that visual information (e.g., text, image, have.
  • the attributes of the pixels of the display 210 e.g., an array of pixels (RGB stripe or pentile) Or post-processed image data to a voltage value or a current value capable of driving the pixels.
  • At least some pixels of the display 210 may be displayed on the display 210 by being driven based on, for example, a voltage value or a current value, such that visual information (e.g., text, image, have.
  • the display device 160 may further include a touch circuit 250.
  • the touch circuit 250 may include a touch sensor 251 and a touch sensor IC 253 for controlling the touch sensor 251.
  • the touch sensor IC 253 controls the touch sensor 251 to measure a change in a signal (e.g., a voltage, a light amount, a resistance, or a charge amount) to a specific position of the display 210, (E.g., position, area, pressure, or time) of the sensed touch input or hovering input to the processor 120.
  • a signal e.g., a voltage, a light amount, a resistance, or a charge amount
  • the touch input or hovering input may be provided to the processor 120, According to one embodiment, at least a portion of the touch circuit 250 (e.g., touch sensor IC 253) may be coupled to the DDI 230, or to a portion of the display 210, May be included as part of a component (e.g., coprocessor 123).
  • a component e.g., coprocessor 123
  • the display device 160 may further include at least one sensor (e.g., a fingerprint sensor, an iris sensor, a pressure sensor or an illuminance sensor) of the sensor module 176, or a control circuit therefor .
  • at least one sensor or control circuitry may be embodied in a portion of display device 160 (e.g., display 210 or DDI 230) or a portion of touch circuitry 250.
  • the biosensor may transmit biometric information For example, a fingerprint image).
  • the sensor module 176 embedded in the display device 160 includes a pressure sensor, the pressure sensor may obtain pressure information for the touch input through some or all of the area of the display 210 have.
  • the touch sensor 251 or the sensor module 176 may be disposed between pixels of the pixel layer of the display 210, or above or below the pixel layer.
  • An electronic device can be various types of devices.
  • the electronic device can include, for example, at least one of a portable communication device (e.g., a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance.
  • a portable communication device e.g., a smart phone
  • a computer device e.g., a laptop, a desktop, a smart phone
  • portable multimedia device e.g., a portable multimedia device
  • portable medical device e.g., a portable medical device
  • camera e.g., a camera
  • a wearable device e.g., a smart watch
  • a home appliance e.g., a smart bracelet
  • module includes a unit of hardware, software, or firmware and may include, for example, logic, a logic block, Circuits, and the like.
  • a module may be an integrally constructed component or a minimum unit or part thereof that performs one or more functions.
  • the module may be configured as an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present document may include instructions stored in machine-readable storage media (e.g., internal memory 136 or external memory 138) readable by a machine (e.g., a computer) (E. G., Program 140). ≪ / RTI >
  • the device may include an electronic device (e.g., electronic device 101) in accordance with the disclosed embodiments as an apparatus that is operable to invoke stored instructions from the storage medium and act upon the called instructions.
  • a processor e.g., processor 120
  • the processor may perform functions corresponding to the instruction, either directly or using other components under the control of the processor.
  • the instructions may include code generated or executed by a compiler or an interpreter.
  • a device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-temporary' means that the storage medium does not include a signal and is tangible, but does not distinguish whether data is stored semi-permanently or temporarily on the storage medium.
  • a method according to various embodiments disclosed herein may be provided in a computer program product.
  • a computer program product can be traded between a seller and a buyer as a product.
  • the computer program product may be distributed in the form of a machine-readable storage medium (eg CD-ROM, compact disc read only memory) or online via an application store (eg PlayStore TM ).
  • an application store eg PlayStore TM
  • at least a portion of the computer program product may be temporarily stored, or temporarily created, on a storage medium such as a manufacturer's server, a server of an application store, or a memory of a relay server.
  • Each of the components may be comprised of a single entity or a plurality of entities, and some subcomponents of the aforementioned subcomponents may be omitted, or other subcomponents may be various May be further included in the embodiments.
  • some components e.g., modules or programs
  • FIG. 3 is a diagram illustrating an example of a function processing module in an electronic device according to various embodiments of the present invention.
  • Figure 3 illustrates a functional processing module 300 associated with providing a health care service in an electronic device (e.g., electronic device 101 of Figure 1) in accordance with various embodiments. (Or an exercise coach module).
  • the functional processing module 300 may be included as a hardware module in a processor (e.g., processor 120 of FIG. 1) that includes processing circuitry, or may be a software module ).
  • the function processing module 300 may set a suitable target of exercise (e.g., exercise distance and / or momentum according to time) at the user's current point in time (e.g., today) Recommended action can be handled.
  • the function processing module 300 may include one or more modules that process target data to set the current time of day (e.g., today) of the user and provide for a sports coach based on the set target data .
  • the function processing module 300 may include a filtering module 310, a source data processing module 320, a target data processing module 330, a recommendation data generation module 340, a guide module 350, and the like.
  • the filtering module 310 may process the filtering of the motion data. According to one embodiment, the filtering module 310 may perform filtering on at least one motion data stored based on at least one predetermined condition. In various embodiments, at least one condition may be a period of exercise data to extract (e.g., weekly, monthly, or yearly units based on today), at least one reference condition of the exercise data (e.g., A predetermined time or more), and the like.
  • at least one condition may be a period of exercise data to extract (e.g., weekly, monthly, or yearly units based on today), at least one reference condition of the exercise data (e.g., A predetermined time or more), and the like.
  • the source data processing module 320 may process normalizing for the motion data filtered by the filtering module 310.
  • the source data processing module 310 may perform smoothing processing on the motion data filtered using, for example, exponential smoothing.
  • the source data processing module 320 may obtain at least one source data (e.g., first source data, or second source data) as a result of the smoothing.
  • the source data may include at least one of distance data or time data.
  • the first source data may represent either distance data or time data
  • the second source data may represent data (e.g., time data) other than the first source data (e.g., distance data) have.
  • the target data processing module 330 may perform targeting for target data and prediction for target data. According to one embodiment, the target data processing module 330 may determine at least one target data based on at least one of the first source data, the second source data, the user's profile information, or the user's biometric information.
  • the target data processing module 330 may determine the first target data (e.g., target distance or target time) using the source data obtained in accordance with the smoothing. According to one embodiment, the target data processing module 330 may determine the type of the first target data based on either a distance or a time preset or user preference. According to one embodiment, the target data processing module 330 may calculate the target distance as the first target data based on the source data if the set data is distance. According to one embodiment, the target data processing module 330 may calculate the target time as the first target data based on the source data if the set data is time. According to one embodiment, the target data processing module 330 analyzes user preferences (or propensity) based on a user profile and calculates a target distance or target time with the first target data based on the analysis result can do.
  • the target data processing module 330 analyzes user preferences (or propensity) based on a user profile and calculates a target distance or target time with the first target data based on the analysis result can do.
  • the target data processing module 330 is configured to process the second target data (e.g., target distance or target) based on source data (e.g., first source data, or second source data) Time) can be predicted.
  • the second target data to be predicted may be determined according to the type of the first target data determined in advance. For example, when the first target data is a value calculated based on the distance, the second target data may be the target time, and when the first target data is a value calculated based on time, Lt; / RTI >
  • the target data processing module 330 may predict the second target data based on various estimation techniques.
  • the target data processing module 330 may include an exercise data based maximum oxygen uptake (Vo2Max) estimation, a profile and test results based maximum oxygen uptake estimate, external data (e.g., measured by a wearable device Based on the Dave Cameron's model-based estimation, or the Peter Riegel's model-based estimation (Pete Riegel's Model) based on the estimated oxygen consumption, the maximum oxygen uptake based on the input data, etc., .
  • the target data processing module 330 may predict the second target data based on the predicted plurality of target data.
  • the target data processing module 330 may perform a regression analysis for the second target data. For example, the target data processing module 330 may determine the second target data through a linear regression model. According to one embodiment, the target data processing module 330 may determine the second target data by any one or combination of prediction and regression for the second target data.
  • the recommendation data generation module 340 may generate recommendation data based on the first target data and the second target data. According to one embodiment, the recommendation data generation module 340 may generate recommendation data by combining additional data (e.g., warm-up and cool-down periods) set in the first target data and / or the second target data have. In various embodiments, the additional data may comprise at least one of the following motion related data, e.g., time or distance data corresponding to a warm up and a cool-down.
  • additional data may comprise at least one of the following motion related data, e.g., time or distance data corresponding to a warm up and a cool-down.
  • the recommendation data generation module 340 determines whether the recommendation data based on the first target data and the second target data is over-fit, and modifies the recommendation data based on the determination result Or processed).
  • the guide module 350 can set (register) the generated recommendation data as one of the exercise programs.
  • the guide module 350 may feedback various guides based on the execution of the set exercise program based on at least one of visual, auditory, or tactile feedback to the user.
  • the electronic device 101 in accordance with various embodiments includes a sensor circuit (e.g., sensor module 176), and a processor 120, Determining at least one activity information that satisfies a specified condition among at least one activity information previously obtained in association with the at least one activity information, and based on at least a change corresponding to a time flow of the at least one activity information, Determining an exercise intensity and determining a second exercise intensity at which the first exercise intensity is adjusted based on at least a previously set exercise goal associated with the user and providing guide information related to the second exercise intensity Can be set.
  • a sensor circuit e.g., sensor module 176
  • a processor 120 Determining at least one activity information that satisfies a specified condition among at least one activity information previously obtained in association with the at least one activity information, and based on at least a change corresponding to a time flow of the at least one activity information, Determining an exercise intensity and determining a second exercise intensity at which the first exercise intensity is adjusted based on at least
  • the processor 120 may be configured to determine the first exercise intensity based further on weighted correction information that is assigned to at least a portion of the at least one activity information.
  • the processor 120 may be configured to include, at least in part of the correction information, at least one of average motion distance information or average motion time information determined based at least on the at least one activity information.
  • the processor 120 may set the exercise goal based at least on the biometric information of the user.
  • the electronic device 101 further comprises a communication circuit (e.g., a communication module 190), wherein the processor 120 is operable to transmit data associated with the determined second exercise intensity to the communication circuit To the connected external electronic device.
  • a communication circuit e.g., a communication module 190
  • the processor 120 is operable to transmit data associated with the determined second exercise intensity to the communication circuit To the connected external electronic device.
  • the processor 120 may be configured to include at least one of a motion distance or a motion time with respect to a motion goal of the user, at least a portion of the first motion intensity and the second motion intensity .
  • the electronic device 101 further comprises a communication circuit (e.g., a communication module 190), wherein the processor 120 is operable to receive the motion of the user from an external electronic device To receive one or more previously acquired activity information.
  • a communication circuit e.g., a communication module 190
  • the processor 120 is operable to receive the motion of the user from an external electronic device To receive one or more previously acquired activity information.
  • the processor 120 may be configured to compensate for the determined second exercise intensity, based at least on the specified additional information.
  • the processor 120 may be configured to generate the guide information based at least on whether the determined second exercise intensity meets a specified range of exercise intensity.
  • the processor 120 may be configured to determine the at least one activity information based on a set reference number.
  • the processor 120 may be configured to filter the motion data based on at least one condition set.
  • the processor 120 may be configured to smoothen the filtered motion data and obtain a source duration and a source distance from the smoothing results.
  • the processor 120 may be configured to decrease the filtered motion data by the reference number based on recent motion data when the filtered motion data exceeds a reference number.
  • the processor 120 may be configured to determine the type of the first target data based on a preset or user preference.
  • the processor 120 may be configured to estimate the plurality of prediction results based on a plurality of different estimation techniques.
  • the processor 120 may be configured to determine the second target data based on a linear regression model using the motion data.
  • the processor 120 may be configured to combine the first target data and the additional data set in at least a portion of the second target data to generate the recommendation data.
  • the processor 120 may be configured to process the recommendation data in response to determining whether to overfit the recommendation data.
  • the processor 120 may be configured to register the recommendation data in an exercise program of the electronic device.
  • FIG. 4 is a flow chart illustrating a method of providing healthcare services in an electronic device in accordance with various embodiments of the present invention.
  • processors may execute a health care application.
  • processor 120 may be configured to determine (or detect) that a user is requesting (e.g., selecting or touching) the execution of a healthcare application using electronic device 101, Can be determined by execution.
  • the operation of executing the healthcare application of operation 401 is not performed, and may be omitted in Fig.
  • the user when operating as in operation 401 of FIG. 4, the user may run a healthcare application and ultimately receive exercise data recommendations.
  • the user may, without running the health care application, determine that the exercise (s) to be recommended to the user by the electronic device 101 (or processor 120) Data may be generated and presented to the user in the form of a pop-up or card.
  • the processor 120 may provide recommended motion data in the form of a pop-up or card at a point in time when the user frequently performs motion (e.g., before exercise).
  • the processor 120 may perform operations as in FIG. 4, based on at least a user running a healthcare application or user history information (e.g., the time at which the exercise was performed frequently).
  • the processor 120 may filter the stored workouts previously performed by the user. According to one embodiment, the processor 120 may extract the motions corresponding to the set conditions in at least one workout log performed by the user. According to one embodiment, assuming that the set condition is a first condition (e.g., 10 minutes or more) for time and a second condition (e.g., 1 kilometer (Km) ) Can extract the motions included in the first and second conditions of the motions. According to one embodiment, processor 120 may further set conditions for a particular period of time (e.g., within the last month), and in such a case, extract the motions contained in the first and second conditions have. According to one embodiment, the processor 120 may limit the number of motions to extract according to the settings. For example, if the setting has 10 or fewer criteria, the processor 120 may determine the last 10 motions if more than 10 motions are extracted.
  • a first condition e.g. 10 minutes or more
  • a second condition e.g., 1 kilometer (Km)
  • Km
  • the processor 120 may obtain source data based on the filtered motions.
  • the source data may be data related to filtered motions, for example, duration data and distance data.
  • duration data for example, duration data and distance data.
  • distance data for convenience of explanation, it is assumed that the first source data is distance data and the second source data is time data.
  • the various embodiments are not limited thereto, and it may be operable when the first source data is time data and the second source data is distance data.
  • the processor 120 may determine the first target data based on the first source data. According to one embodiment, the processor 120 may determine a target distance for the current point of view based on the distance data of the filtered motions if the first source data is distance data. In various embodiments, it is specifically described with reference to the following figures in connection with determining the first target data (e.g., target distance).
  • the processor 120 may predict (or estimate) the second target data based on the source data (e.g., first source data, or second source data) and the first target data.
  • the processor 120 may estimate the second target data based at least in part on various estimation techniques.
  • it is exemplified to employ a plurality of different estimation techniques (e.g., workout performance prediction approaches) to estimate a more accurate value of the second target data.
  • processor 120 may generate second target data based on a plurality of estimation techniques, such as a first estimation technique, a second estimation technique, a third estimation technique, a fourth estimation technique, or a fifth estimation technique, Can be estimated.
  • the estimated second target data may be estimated with a plurality of target data corresponding to the estimation techniques.
  • it is specifically described with reference to the following figures in connection with the operation of estimating second target data (e.g., target time).
  • the processor 120 may determine the second target data. In various embodiments, the processor 120 may determine the final second target data based on the plurality of target data according to the estimation result. According to one embodiment, the processor 120 may calculate an average of a plurality of target data and determine the final second target data. According to one embodiment, the processor 120 may determine the second target data through a linear regression model. In various embodiments, it is specifically described with reference to the drawings described below with respect to the operation of determining the second target data.
  • the processor 120 may generate recommendation data for the sports coach based on the first target data and the second target data. According to one embodiment, the processor 120 may register with a new exercise program based on the generated recommendation data. In various embodiments, reference will be made specifically to the following figures with reference to the operation of generating recommendation data.
  • the processor 120 may recommend motion based on the recommendation data.
  • the processor 120 may provide (or initiate) an athletic coach (or guide) based on the recommendation data.
  • FIG. 5 is a flow chart illustrating a filtering method in an electronic device in accordance with various embodiments of the present invention.
  • the processor 120 of the electronic device 101 may extract a first motion log within a set period of the stored motion logs.
  • processor 120 may extract motion logs of a predetermined period of time (e.g., within one month of today) from among at least one motion log performed by the user.
  • the at least one movement log may be transmitted to a sensor module 176 or a communication module 190 (e.g., a position locating circuit, e.g., a GNSS or a GPS) of the electronic device 101, A global positioning system (GPS)), a log associated with a motion entered by the user through the input device, and the like.
  • a sensor module 176 or a communication module 190 e.g., a position locating circuit, e.g., a GNSS or a GPS
  • GPS global positioning system
  • the processor 120 may extract a second motion log of the set condition from among the extracted first motion logs.
  • the conditions may be set to a plurality.
  • the condition may include a first condition (e.g., 10 minutes or more) for time and a second condition (e.g., 1 kilometer (Km) or more) for distance.
  • Processor 120 may extract a second motion log consistent with the first and second conditions of the first motion log.
  • the processor 120 may determine whether the number of extracted second motion logs exceeds a set reference number. According to one embodiment, when the reference number is set to 10 or less, the processor 120 may determine whether the number of the extracted second motion log exceeds 10 or not.
  • processor 120 determines that the number of second movement logs does not exceed the reference number (NO at operation 505), for example, if the number of second movement logs is less than or equal to the reference number It may proceed to operation 509 and process operation 509 and subsequent operations.
  • the third motion log can be extracted by the reference number.
  • the processor 120 counts the number of references (e.g., 10) from the extracted second motion logs based on the most recent motion log to extract a total of 10 third motion logs .
  • the processor 120 may identify the data based on the third motion log of the filtering result. For example, processor 120 may identify source data based on ten motion logs.
  • FIG. 6 is a diagram showing an example of filtering results in an electronic device according to various embodiments.
  • example (A) shows an example of the movement (or movement log) of a user stored (or recorded) in the electronic device 101, Within one month) can be shown.
  • example (A) may correspond to a first motion log as described in the description section with reference to FIG. 5 described above.
  • example (B) shows the first condition (for example, movement for 10 minutes or more) and the second condition
  • An example of distinguishing data of a second condition e.g., movement over one kilometer
  • example (B) may correspond to a second motion log as described above in the description with reference to FIG.
  • the data is filtered based on the specific period and the second condition (for example, the distance condition) for convenience of explanation.
  • the second condition for example, the distance condition
  • 1 conditions eg, time conditions
  • reference data that can be used to obtain the target data for the next motion recommendation can be selected.
  • the selected reference data may be data for improving the reliability of the target data.
  • FIG. 7 is a flow chart illustrating a method for obtaining source data in an electronic device according to various embodiments.
  • 8 is a diagram illustrating an example of obtaining source data in an electronic device according to various embodiments.
  • the processor 120 of the electronic device 101 may smoothen the motion data using a set prediction technique.
  • the motion log e.g., filtered data
  • the prediction scheme is exemplified using exponential smoothing, but the various embodiments are not limited thereto.
  • the exponential smoothing method may be an example of a weighted moving average prediction technique in which the most recent data of time series data is given the greatest weight and the weight is geometrically reduced over time.
  • the exponential smoothing method may be a method of obtaining an average by using all the time series data and predicting later data by giving more weight to the recent time series according to the passage of time.
  • the processor 120 substitutes the exponential smoothing method for motion data (e.g., time data or distance data) for each motion log to generate source data (e.g., first source data or second source data) Can be calculated.
  • Equation (1) below can be an example of a formula according to the exponential smoothing method.
  • Equation (1) S t represents exponential smoothing at time t
  • x t represents source data at time t
  • a may represent a smoothing factor (or weight).
  • the smoothing factor may be a predetermined value, or may be determined adaptively.
  • the smoothing factor may have a value of 0 ⁇ alpha < 1, and generally 0.1 ⁇ alpha ⁇ 0.3 may be used.
  • it is possible to exemplify that the smoothing factor is 0.3 in order to set the weight to the recent source data high.
  • the processor 120 may obtain source data (e.g., first source data, or second source data) based on a smoothing result according to a prediction technique.
  • source data e.g., first source data, or second source data
  • 9 is a flow chart illustrating a method for determining target data in an electronic device according to various embodiments.
  • 10 is a diagram illustrating an example of determining target data in an electronic device according to various embodiments.
  • the processor 120 of the electronic device 101 may determine a weight (or a weight ratio) in consideration of a user's workout tendency.
  • the weight associated with the user's movement propensity may be determined by determining the user's propensity to move based on previous exercise data (e.g., exercise distances) of the user, and taking into account the increasing or decreasing trend .
  • a weight of 0.5 may be an example.
  • the processor 120 may calculate the first target data from the first source data using the set algorithm and the weight.
  • the configuration algorithm is illustrative of using a linear regression model, but the various embodiments are not so limited.
  • Linear regression analysis can generally represent a regression technique that models the linear correlation of a dependent variable y with one or more independent variables (or explanatory variables) x.
  • a linear regression equation is used to calculate a y value (e.g., a first target data) for an x value (e.g., first source data) without a y value (e.g., first target data) 1 ⁇ / RTI > target data).
  • Equation (2) below may represent an example of a formula for targeting the first target data.
  • the processor 120 may obtain the first target data based on the result of the calculation.
  • the processor 120 may obtain a target distance that is first target data based on distance data that is first source data.
  • FIG. 10 illustrates the relationship between the first source data (e.g., 4000 m) determined in the example of FIG. 8, the slope beta (e.g., 0.8) of the fit line obtained through regression analysis, (e.g., target distance) is determined to be 3600 m based on the first target data (e.g.,?) (e.g., 0.5).
  • FIG. 11 is a diagram illustrating an example of a method of estimating target data in an electronic device according to various embodiments.
  • a plurality of estimation techniques may be used as a method 1100 for estimating target data by prediction.
  • a method 1110 of estimating target data by calculating a maximum oxygen intake amount Vo 2 Max based on exercise data a method 1110 of estimating target oxygen data based on a profile and a test result (e.g., 1.5 mile-test result)
  • a method 1140 of estimating target data using a model of Dave Cameron's model or a method of estimating target data 1150 using a Pete Riegel's model corresponding to a plurality of estimation techniques, the estimated target data (e.g., second target data) may be estimated with a plurality of target data corresponding to the estimation techniques.
  • estimation techniques used in various embodiments may be shown as follows. Each estimation technique is a well-known performance predictor, and a detailed description thereof will be omitted.
  • the estimation based on the exercise data-based maximum oxygen intake amount 1110 according to an embodiment can be applied to Equation (3) below to predict target data.
  • Equation (3) the time may be expressed in minutes and the velocity may be expressed in units of meters per minute.
  • Equation (3) can be used to inversely calculate to determine the time corresponding to the well-known maximum oxygen uptake and distance.
  • the estimation based on the profile and the test result-based maximum oxygen uptake 1120 can be substituted into Equation (4) below to predict target data.
  • Equation (3) can be used to inversely calculate to determine the time corresponding to the well-known maximum oxygen uptake and distance.
  • the external data interworking based maximum oxygen uptake estimate 1130 is used to input data related to the maximum oxygen uptake from an external device (e.g., a wearable device) interlocked (or connected) with the electronic device 101 And predict the data from which the maximum oxygen uptake, which roughly corresponds to the maximum oxygen uptake input, can be derived.
  • an external device e.g., a wearable device
  • Dave Cameron's model estimate 1140 can be substituted into Equation (5) to predict target data.
  • t 1 represents a source duration (e.g., second source data)
  • t 2 represents a target duration (e.g., second target data)
  • d 1 represents represents: (the first source data, for example)
  • d 2 is the target distance (target distance)
  • the source distance (distance source): can be represented (such as the first target data).
  • Equation (6) The estimation based on the model of Peter Riegel 1150 can be substituted into Equation (6) below to predict target data.
  • t 1 represents a source duration (e.g., second source data)
  • t 2 represents a target duration (e.g., second target data)
  • d 1 represents represents: (the first source data, for example)
  • d 2 is the target distance (target distance)
  • the source distance (distance source): can be represented (such as the first target data).
  • the estimated target data can be estimated with a plurality of target data corresponding to estimation techniques.
  • the final target data e.g., the second target data of FIG. 4
  • the final target data may be determined based on at least a portion of the plurality of target data according to the estimation result. This will be described with reference to FIG.
  • FIG. 12 is a flow chart illustrating a method for determining target data in an electronic device according to various embodiments.
  • the processor 120 of the electronic device 101 may obtain estimation results.
  • the processor 120 may determine the results (e. G., Estimates) based on a plurality of estimation techniques (e. G., First through fifth estimation techniques) A plurality of target data).
  • the processor 120 may calculate an average based on the estimation results. According to one embodiment, the processor 120 may average the estimation results (e.g., a plurality of target data) according to the first to fifth estimation techniques.
  • the processor 120 may determine the resulting average as the second target data. According to one embodiment, referring to FIG. 11, the processor 120 may determine 57 minutes and 5 seconds (e.g., 3425 seconds) with the second target data that is the target time.
  • Table 1 may be stored motion data. (E.g., duration), second source data (e.g., distance), and the like, which are performed by the user and filtered by the user ) Can be shown.
  • second source data e.g., distance
  • Table 1 may be stored motion data. (E.g., duration), second source data (e.g., distance), and the like, which are performed by the user and filtered by the user ) Can be shown.
  • Table 2 shows the motion data according to Table 1 and the first target data (e.g., distance data) obtained earlier from a plurality of estimation techniques (e.g., 5 estimation technique) to indicate an example of a plurality of estimated (predicted) plurality of target data (e.g., target times) for the second target data.
  • a plurality of estimation techniques e.g., 5 estimation technique
  • an average may be calculated using each of the predicted target data, and the result of the calculated average may be determined as final target data (e.g., second target data, e.g., target time data) .
  • target data may be determined by linear regression analysis, with or without prediction operations by a plurality of estimation techniques, depending on the linearity of the motion data. An example of this will be described with reference to FIGS. 13 and 14. FIG.
  • 13 is a flow chart illustrating another example of determining target data in an electronic device according to various embodiments.
  • 14 is a diagram illustrating another example of determining target data in an electronic device according to various embodiments.
  • the processor 120 of the electronic device 101 may identify a reference workout data set.
  • the processor 120 may identify (or extract) a set of motion data as described in the description with reference to Table 1.
  • the motion data set can be obtained using the formula according to Equation (7) below based on each data as shown in Table 1 below.
  • the processor 120 may perform a linear regression analysis based on the motion data set. For example, the processor 120 may obtain a regression coefficient (e.g., an intercept coefficient, or a slope coefficient) based on a given motion data set. An example of this is shown in Fig.
  • a regression coefficient e.g., an intercept coefficient, or a slope coefficient
  • element 1410 represents workout logs according to a given set of motion data
  • element 1420 represents a target distance
  • element 1430 represents a target duration
  • Element 1440 may represent a fit line (or a regression line).
  • the slice coefficient for example, y-intercept
  • the slope coefficient is 0.85, as shown in Equation (8) below.
  • the second target data (e.g., target time) may be calculated by substituting the first target data (e.g., x value in Equation 8) into the linear regression method. For example, it can be expressed as Equation (9) below. According to one embodiment, in Equation (9), it is assumed that the target distance obtained with the first target data is 3600, which is obtained according to the example shown in Figs. 9 and 10.
  • the processor 120 may determine the second target data based on the result of the linear regression analysis. According to one embodiment, the processor 120 may determine the calculated " 3115 " as the second target data (e.g., target time) according to the result of Equation (9).
  • a weight function may be used according to purpose It is possible to combine the results of all approaches (eg prediction (estimation) techniques). May be combined based on a formula such as Equation (10) below, according to one embodiment.
  • d s represents the source distance
  • d t represents the target distance
  • t s represents the source duration
  • T f represents the final target duration
  • [omega] can represent a weight factor.
  • the weighting factors ( ) can be set as follows.
  • the weighting factor [omega] is for determining a prediction vs regression, for example, if the difference in motion data is relatively large, the regression result is more stable with respect to the data distribution, It is possible to select ⁇ with a small value, and vice versa.
  • the Vo 2 Max estimate may return a better result when the profile data is used as a calculation parameter, To a larger value (e.g., ).
  • a higher weight on the Vo 2 Max estimation scheme e.g., the first estimation scheme 1110 to the third estimation scheme 1130
  • the user's profile information and additional input parameters are relatively inaccurate compared to the previous case, Wow To a larger value (e.g., ) Can be allocated to obtain a better result.
  • a high weight can be set for the model-based estimation techniques (e.g., the fourth estimation technique 1140 and the fifth estimation technique 1150).
  • 15 is a flow chart illustrating a method for generating recommendation data in an electronic device according to various embodiments.
  • the processor 120 of the electronic device 101 may combine the first target data and the second target data into a single data set.
  • the processor 120 combines a set of results from each estimate based on the various estimation techniques as described above, and obtains final data including the final target duration and the final target distance for the next movement .
  • the processor 120 can identify the additional data.
  • the additional data may include at least one of the following motion related data, e.g., time or distance data corresponding to a warm-up and a cool-down.
  • the processor 120 may combine (add) additional data with the acquired final data. For example, the processor 120 may use the additional data to correct the final data obtained. According to one embodiment, assuming that the target exercise time according to the final data is 10 minutes, a warm-up before exercise and a cool-down after exercise are added to the user, Information can be provided.
  • the processor 120 may combine additional data with at least one of the final data.
  • the final data may include first target data (e.g., target distance) and second target data (e.g., target time), and processor 120 may determine 1 target data or second target data.
  • the processor 120 may combine the first target data (e.g., target distance) with additional data (e.g., preparation distance, or finishing distance) when the recommendation data is provided on a distance basis.
  • processor 120 may combine additional data (e.g., preparation time, or finishing time) with second target data (e.g., target time) when the recommendation data is provided on a time basis.
  • additional data e.g., preparation time, or finishing time
  • second target data e.g., target time
  • the processor 120 may generate recommendation data based on the results of the combining.
  • 16 is a flow chart illustrating a method of processing recommendation data in an electronic device according to various embodiments.
  • the processor 120 of the electronic device 101 checks the recommendation data to be generated and, at operation 1603, determines whether the recommendation data corresponds to overfitting It can be judged.
  • the processor 120 may be configured to compare the predicted recommendation data (e.g., target distance and target time) and the reference motion (e.g., of the user's previous motion data) (E.g., the maximum distance) of the motion data measured by the motion estimation unit 101).
  • the reference motion may not include motion data entered manually by the user.
  • the processor 120 may determine that the recommendation data is less than a predetermined reference distance (e.g., a product of a maximum multiple of the input motion (eg, a product of a multiple (eg, 1.1 times)), It is possible to judge whether or not the over-fitting is performed depending on whether it is large or not.
  • a predetermined reference distance e.g., a product of a maximum multiple of the input motion (eg, a product of a multiple (eg, 1.1 times)
  • processor 120 determines that the recommendation data is not an overfitting (NO in operation 1603), the processor 120 proceeds to operation 1607 to process the operation after operation 1607 have.
  • processor 120 may modify the recommendation data.
  • the processor 120 determines that the motion distance (e.g., the target distance) for the next motion exceeds the predefined distance reference, then the recommendation data (e.g., the first target data, Data) can be modified based on preset criteria values.
  • the target distance and the target time according to the first target data and the second target data can be reduced by a reference value based on the reference value.
  • the processor 120 may recommend motion based on the modified recommendation data.
  • 17 is a diagram illustrating an operating scenario for coaching motion in an electronic device according to various embodiments.
  • the electronic device 101 may obtain a user profile and workout data.
  • the user profile may be information previously entered by the user using the electronic device 101
  • the exercise data may include past exercise data performed by the user and exercise data entered by the user .
  • the electronic device 101 may perform pre-processing.
  • the electronic device 101 may perform filtering 1725 of motion data in a preprocessing operation.
  • the electronic device 101 may perform filtering based on at least one preset condition.
  • at least one condition may include a period of exercise data to extract (e.g., weekly, monthly, or yearly units based on today), at least one reference condition of exercise data (e.g., Hour or more).
  • the electronic device 101 may perform normalizing. According to one embodiment, the electronic device 101 may perform smoothing on the filtered motion data using exponential smoothing 1735 with a normalizing operation. According to one embodiment, the electronic device 101 may obtain source data (e.g., first source data, or second source data) as a result of the smoothing.
  • source data e.g., first source data, or second source data
  • the electronic device 101 may perform targeting for the target data.
  • the electronic device 101 may determine the first target data (e.g., target distance or target time) using the source data obtained in accordance with the smoothing.
  • the determination of the first target data based on the source data may be based on either a distance or a time preset or based on user preferences.
  • the electronic device 101 may calculate the target distance as first target data based on the source data if the set data is a distance.
  • the electronic device 101 may calculate the target time as the first target data based on the source data if the set data is time.
  • the electronic device 101 may analyze user preferences (or inclinations) based on the user profile and calculate the target distance or target time with the first target data based on the analysis results.
  • the electronic device 101 may perform a prediction for the target data.
  • the electronic device 101 is capable of predicting second target data (e.g., target distance or target time) based on source data (e.g., first source data, second source data) and first target data .
  • the second target data to be predicted may be determined according to the first target data determined previously. For example, when the first target data is a value calculated based on the distance, the second target data may be the target time, and when the first target data is a value calculated based on time, Lt; / RTI >
  • the electronic device 101 may predict the second target data based on various estimation techniques as described above.
  • the electronic device 101 may include an exercise data based maximum oxygen uptake (VO2Max) estimate 1751, a profile and test results based maximum oxygen uptake estimate 1753, ) Based on Dave Cameron's model (1757), or based on Pete Riegel's model (1757), etc., based on the estimated oxygen uptake , It is possible to predict a plurality of target data corresponding to each of them. The electronic device 101 can predict the second target data based on the predicted plurality of target data.
  • VO2Max exercise data based maximum oxygen uptake
  • the electronic device 101 may perform a regression analysis for the target data. According to one embodiment, the electronic device 101 may determine the second target data via a linear regression model 1765.
  • the second target data may be determined by any one or combination of prediction based on the element 1750 and regression according to the element 1760.
  • the electronic device 101 estimates the results by combining by weight factors based on the user profile information, as described in the description with reference to Equation (10) Data can be generated.
  • electronic device 101 may generate final recommendation data.
  • the electronic device 101 may provide recommendation data based on the first target data and the second target data.
  • the electronic device 101 may provide the recommendation data by correcting the first target data and / or the second target data based at least on the additional data (e.g., warm-up and cool-down periods) have.
  • electronic device 101 may provide recommendation data.
  • FIG. 18 is a flow diagram illustrating a method for providing healthcare services in an electronic device in accordance with various embodiments.
  • the processor 120 of the electronic device 101 may determine activity information.
  • the processor 120 may determine at least one activity information that satisfies a specified condition of one or more activity information previously obtained in association with a user's movement.
  • processor 120 may determine activity information based on motion data filtering operations as described above.
  • the activity information previously obtained in connection with the user's movement may include at least one of the data obtained using the sensor module 176 or the data stored in the server.
  • the electronic device 101 comprises a communication circuit (e.g., the communication module 190 of FIG. 1), and the processor 120 is connected to the external electronic device To receive one or more previously acquired activity information (e.g., motion data stored in the server) related to the user's movement.
  • the processor 120 may determine a first exercise intensity (e.g., a target exercise distance) for the user based on the determined activity information. According to one embodiment, the processor 120 may determine a first exercise intensity for the user based at least in part on a change corresponding to a time course of at least one activity information. According to one embodiment, the processor 120 may determine a first exercise intensity based on a targeting operation as described above.
  • a first exercise intensity e.g., a target exercise distance
  • the processor 120 may determine the first exercise intensity based further on the weighted correction information that is assigned to at least a portion of the at least one activity information.
  • the correction information may include a source distance (e.g., weighted average distance), a source duration (e.g., weighted average duration), for example, as a smoothing result.
  • at least a portion of the correction information may include at least one of average motion distance information or average motion time information determined based at least on at least one activity information.
  • the processor 120 may determine a second exercise intensity at which the first exercise intensity is adjusted based on the previously set exercise goal. According to one embodiment, the processor 120 may determine the second exercise intensity by adjusting the first exercise intensity based on a previously set exercise goal with respect to the user. According to one embodiment, the second exercise intensity at which the first exercise intensity is adjusted may be obtained by, for example, acquiring and combining the target exercise time based on the target exercise distance. According to one embodiment, if the first exercise intensity is a target exercise duration, the second exercise intensity may be to acquire and combine the target exercise distance based on the target exercise duration. According to one embodiment, the processor 120 may determine a second exercise intensity based on the predictive action as described above.
  • the processor 120 may set a motion goal based at least on the biometric information (e.g., profile information) of the user of the electronic device 101.
  • the processor 120 may comprise at least one of a first exercise intensity and a second exercise intensity, the exercise distance or exercise time being related to a user's exercise goal.
  • the processor 120 may correct the determined second exercise intensity based at least on the specified additional information (e.g., with additional data, e.g., warm-up and cool-down periods). According to one embodiment, the processor 120 may combine (add) additional information with the obtained final data.
  • additional information e.g., with additional data, e.g., warm-up and cool-down periods.
  • the processor 120 may combine (add) additional information with the obtained final data.
  • the processor 120 may provide guidance information related to the second exercise intensity.
  • the processor 120 may provide guide information based on the recommendation operation as described above. Such an example will be described with reference to Fig. 19 to be described later.
  • processor 120 may generate guide information based at least on whether the determined second exercise intensity meets a specified range of exercise intensity (e.g., overfitting range).
  • the processor 120 may determine whether the second exercise intensity corresponds to overfitting.
  • the processor 120 may determine a second exercise intensity (e.g., a target distance and a target time) predicted for a next exercise and a reference exercise (e.g., (E.g., the maximum distance) of the motion data measured by the electronic device 101).
  • a second exercise intensity e.g., a target distance and a target time
  • a reference exercise e.g., (E.g., the maximum distance) of the motion data measured by the electronic device 101.
  • the electronic device 101 includes a communication circuit (e.g., the communication module 190 of FIG. 1), and the processor 120 uses the communication circuit to transmit data associated with the determined second exercise intensity, To an external electronic device connected to the electronic device 101.
  • data associated with a motion target (e.g., a second exercise intensity) determined at the electronic device 101 may be transmitted to an external electronic device (e.g., a fitness device) have.
  • 19 is a diagram illustrating an example of a user interface associated with a sports coach in an electronic device according to various embodiments.
  • the electronic device 101 displays recommendation data based on a set user interface (UI) 1900 on the display 160 (or display 210) as one of the exercise programs )) To the user.
  • the user interface 1900 may include an exercise program based on the recommendation data and another exercise program previously set in advance.
  • the recommendation data 1900 may include information 1910 related to an exercise program, sports coaching information 1920, 1930.
  • Information related to the exercise program 1910 includes information such as an exercise program name (e.g., My coach), a type of exercise (e.g. burn fat, cardio), an exercise level (e.g., beginner, intermediate, advanced) for 67mins).
  • Information 1910 related to an exercise program may be provided in text, an image (e.g., a user face image), or a combination of at least some of the icons.
  • the exercise coaching information 1920 and 1930 may include exercise related information 1920 and exercise duration information 1930.
  • the exercise duration information 1930 can be provided based on a graphic (e.g., graph), text, and the like.
  • the exercise period information 1930 may be provided by dividing the exercise period graph information 1930, the target period 1940, the preparation period 1950, and the finishing period 1960.
  • the electronic device 101 may provide the user with an audio guide based on the user's motion progression, based on the athletic coaching information 1920, 1930.
  • the method of operating the electronic device 101 includes determining at least one activity information that satisfies a specified condition among one or more activity information previously acquired in association with the movement of the user Determining a first exercise intensity for the user based at least in part on a change corresponding to a time flow of the at least one activity information; 1 < / RTI > exercise intensity of the second exercise intensity, and providing the guide information associated with the second exercise intensity.
  • the act of determining the first exercise intensity includes determining the first exercise intensity based further on the weighted correction information applied to at least a portion of the at least one activity information .
  • At least a portion of the correction information may include at least one of average motion distance information or average motion time information determined based at least on the at least one activity information.
  • the method may further include setting the motion target based at least on the biometric information of the user.
  • the method may further include transmitting data associated with the determined second exercise intensity to an external electronic device connected using a communication circuit.
  • At least a portion of the first and second intensity of exercise may include at least one of exercise distance or exercise time in relation to the user's exercise goal.
  • the method may further include receiving from the external electronic device connected using the communication circuit one or more activity information previously obtained relating to the movement of the user.
  • the method may further include correcting the determined second exercise intensity based at least in part on the specified side information.
  • the act of providing the guide information may include generating the guide information based at least on whether the determined second exercise intensity meets a specified range of motion intensity.
  • the method of operation of the electronic device 101 includes: obtaining source data from motion data associated with a user's previous motion; determining first target data from at least a portion of the source data; Estimating a plurality of prediction results for the second target data using the source data and the first target data, determining the second target data based on an average of the plurality of prediction results, And generating recommendation data for a user's coach based on the first target data and the second target data.
  • the act of obtaining the source data may include filtering the motion data based on at least one condition set.
  • the act of obtaining the source data comprises: smoothing the filtered motion data; obtaining an source duration and a source distance from the smoothing result; .
  • the filtered motion data when the filtered motion data exceeds the reference number, it may further include decreasing the motion data by the reference number based on the latest motion data.
  • the act of determining the first target data may comprise determining the type of the first target data based on a preset or user preference.
  • estimating the prediction results may include estimating the plurality of prediction results based on a plurality of different estimation techniques.
  • the act of determining the second target data may comprise determining the second target data based on a linear regression model using the motion data.
  • the operation of generating the recommendation data may include generating the recommendation data by combining the first target data and the additional data set in at least a part of the second target data.
  • the act of generating the recommendation data may include processing the recommendation data in response to determining whether the recommendation data is overfitting.
  • the method may further include registering the recommendation data into an exercise program of the electronic device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Child & Adolescent Psychology (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Pathology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명의 다양한 실시 예들은 전자 장치에서 사용자의 운동을 개인 코치(personal coach)하는 방법 및 장치에 관하여 개시한다. 본 발명의 다양한 실시 예들에 따르면, 전자 장치에 있어서, 센서 회로, 및 프로세서를 포함하고, 상기 프로세서는, 사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보 중 지정된 조건을 만족하는 적어도 하나의 활동 정보를 결정하고, 상기 적어도 하나의 활동 정보의 시간의 흐름에 대응하는 변화에 적어도 기반하여, 상기 사용자에 대한 제1 운동 강도를 결정하고, 상기 사용자와 관련하여 이전에 설정된 운동 목표에 적어도 기반하여, 상기 제1 운동 강도가 조정된 제2 운동 강도를 결정하고, 및 상기 제2 운동 강도와 관련된 가이드 정보를 제공하도록 구성할 수 있다. 다양한 실시 예들이 가능하다.

Description

사용자의 활동 정보에 기반하여 운동 강도와 관련된 가이드 정보를 제공하는 방법 및 장치
본 발명의 다양한 실시 예들은 전자 장치에서 사용자의 운동을 개인 코치(personal coach)하는 방법 및 장치에 관하여 개시한다.
디지털 기술의 발달과 함께 이동통신 단말기, 스마트폰(smart phone), 태블릿(tablet) PC(personal computer), 노트북(notebook), PDA(personal digital assistant), 웨어러블 장치(wearable device), 디지털 카메라(digital camera) 또는 개인용 컴퓨터(personal computer) 등과 같은 다양한 유형의 전자 장치가 널리 사용되고 있다.
최근에는, 전자 장치를 이용하여 사용자의 헬스 케어(health care)를 위한 다양한 서비스(또는 기능)가 제공되고 있다. 예를 들면, 전자 장치는 사용자의 헬스 케어를 위한 다양한 운동 프로그램(exercise program)들을 제공할 수 있다. 사용자는 전자 장치의 다양한 운동 프로그램들 중 어느 하나의 운동 프로그램을 선택하고, 선택된 운동 프로그램에 의한 가이드(또는 운동 코치(exercise coach))에 따라 운동을 효과적으로 수행할 수 있다.
하지만, 전자 장치에서 제공되는 운동 프로그램들은 사용자의 건강 상태나 운동 현황(또는 성향)이 고려되지 않으며, 전자 장치에 미리 설정되거나, 외부로부터 다운로드된 운동 프로그램들에 국한(또는 한정)되어 제공되고 있는 실정이다. 따라서 사용자는 운동 프로그램을 이용할 때, 사용자의 건강 또는 운동 진행 등의 상태와 관계없이, 매번 반복적인 패턴의 운동량(예: 달리기의 운동 시간, 운동 거리 등)에 따른 운동 코치만을 제공받을 수 있다. 또한, 사용자가 직접 운동 프로그램을 생성하여 이용할 수 있으나, 이 역시 사용자가 자신의 상태를 고려하여 운동 프로그램을 매번 구성해야 하는 번거로움이 있다.
다양한 실시 예들에서는, 전자 장치에서 사용자의 상태가 고려된 개인 코치(personal coach)를 통해 헬스 케어 서비스를 제공할 수 있는 방법 및 장치에 관하여 개시한다.
다양한 실시 예들에서는, 전자 장치에서 사용자의 활동 정보에 기반하여 운동 강도와 관련된 가이드 정보를 제공하는 방법 및 장치에 관하여 개시한다.
다양한 실시 예들에서는, 전자 장치에서 현재 시점에서 사용자에게 보다 적합한 운동 코치를 위한 운동 목표(target of exercise)를 생성하는 방법 및 장치에 관하여 개시한다.
본 발명의 다양한 실시 예들에 따른 전자 장치는, 센서 회로, 및 프로세서를 포함하고, 상기 프로세서는, 사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보 중 지정된 조건을 만족하는 적어도 하나의 활동 정보를 결정하고, 상기 적어도 하나의 활동 정보의 시간의 흐름에 대응하는 변화에 적어도 기반하여, 상기 사용자에 대한 제1 운동 강도를 결정하고, 상기 사용자와 관련하여 이전에 설정된 운동 목표에 적어도 기반하여, 상기 제1 운동 강도가 조정된 제2 운동 강도를 결정하고, 및 상기 제2 운동 강도와 관련된 가이드 정보를 제공하도록 구성할 수 있다.
본 발명의 다양한 실시 예들에 따른 전자 장치의 동작 방법은, 사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보 중 지정된 조건을 만족하는 적어도 하나의 활동 정보를 결정하는 동작, 상기 적어도 하나의 활동 정보의 시간의 흐름에 대응하는 변화에 적어도 기반하여, 상기 사용자에 대한 제1 운동 강도를 결정하는 동작, 상기 사용자와 관련하여 이전에 설정된 운동 목표에 적어도 기반하여, 상기 제1 운동 강도가 조정된 제2 운동 강도를 결정하는 동작, 및 상기 제2 운동 강도와 관련된 가이드 정보를 제공하는 동작을 포함할 수 있다.
본 발명의 다양한 실시 예들에 따른 기록 매체는, 사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보 중 지정된 조건을 만족하는 적어도 하나의 활동 정보를 결정하고, 상기 적어도 하나의 활동 정보의 시간의 흐름에 대응하는 변화에 적어도 기반하여, 상기 사용자에 대한 제1 운동 강도를 결정하고, 상기 사용자와 관련하여 이전에 설정된 운동 목표에 적어도 기반하여, 상기 제1 운동 강도가 조정된 제2 운동 강도를 결정하고, 및 상기 제2 운동 강도와 관련된 가이드 정보를 제공하는 동작을 실행시키기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체를 포함할 수 있다.
다양한 실시 예들에 따른 전자 장치 및 그의 동작 방법에 따르면, 사용자의 상태를 고려하여 개인화된 헬스 케어 서비스(health care service)를 제공할 수 있다. 다양한 실시 예들에 따르면, 전자 장치에서 사용자의 운동을 코치할 때, 사용자의 건강 또는 운동 진행 등의 상태를 고려하여, 현재 시점에 보다 적합한 운동 목표를 설정하여 운동 코치를 제공할 수 있다. 다양한 실시 예들에 따르면, 사용자가 운동을 시작하는 시점에서 가장 적합한 운동 목표를 적응적으로 설정(생성)하여 제공할 수 있고, 사용자 선택에 기반하여 설정된 운동 목표를 운동 프로그램으로 등록하도록 제공할 수 있다. 다양한 실시 예들에 따른 전자 장치에 의해, 전자 장치의 사용성, 편의성, 또는 활용성 등을 향상시키는데 기여할 수 있다.
도 1은 다양한 실시 예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시 예들에 따른, 표시 장치의 블록도이다.
도 3은 본 발명의 다양한 실시 예들에 따른 전자 장치에서 기능 처리 모듈의 예를 도시하는 도면이다.
도 4는 본 발명의 다양한 실시 예들에 따른 전자 장치에서 헬스 케어 서비스를 제공하는 방법을 도시하는 흐름도이다.
도 5는 본 발명의 다양한 실시 예들에 따른 전자 장치에서 필터링 방법을 도시하는 흐름도이다.
도 6은 다양한 실시 예들에 따른 전자 장치에서 필터링 결과의 예를 도시하는 도면들이다.
도 7은 다양한 실시 예들에 따른 전자 장치에서 소스 데이터를 획득하는 방법을 도시하는 흐름도이다.
도 8은 다양한 실시 예들에 따른 전자 장치에서 소스 데이터를 획득하는 예를 설명하기 위해 도시하는 도면이다.
도 9는 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터를 결정하는 방법을 도시하는 흐름도이다.
도 10은 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터를 결정하는 예를 설명하기 위해 도시하는 도면이다.
도 11은 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터의 추정 방법의 예를 설명하기 위해 도시하는 도면이다.
도 12는 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터를 결정하는 방법을 도시하는 흐름도이다.
도 13은 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터를 결정하는 다른 예를 도시하는 흐름도이다.
도 14는 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터를 결정하는 다른 예를 설명하기 위해 도시하는 도면이다.
도 15는 다양한 실시 예들에 따른 전자 장치에서 추천 데이터를 생성하는 방법을 도시하는 흐름도이다.
도 16은 다양한 실시 예들에 따른 전자 장치에서 추천 데이터를 가공하는 방법을 도시하는 흐름도이다.
도 17은 다양한 실시 예들에 따른 전자 장치에서 운동을 코치하는 동작 시나리오를 설명하기 위해 도시하는 도면이다.
도 18은 다양한 실시 예들에 따른 전자 장치에서 헬스 케어 서비스를 제공하는 방법을 도시하는 흐름도이다.
도 19는 다양한 실시 예들에 따른 전자 장치에서 운동 코치에 관련된 사용자 인터페이스의 예를 도시하는 도면이다.
이하, 본 문서의 다양한 실시 예들이 첨부된 도면을 참조하여 기재된다. 실시 예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성 요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 그리고 본 발명에 개시된 실시 예는 개시된 기술 내용의 설명 및 이해를 위해 제시된 것이며, 본 발명에서 기재된 기술의 범위를 한정하는 것은 아니다. 따라서, 본 발명의 범위는, 본 발명의 기술적 사상에 근거한 모든 변경 또는 다양한 다른 실시 예들을 포함하는 것으로 해석되어야 한다.
도 1은 다양한 실시 예들에 따른 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다.
도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제1 네트워크(198)(예: 근거리 무선 통신)를 통하여 전자 장치(102)와 통신하거나, 또는 제2 네트워크(199)(예: 원거리 무선 통신)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 및 안테나 모듈(197)을 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(101)에는, 이 구성 요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나 다른 구성 요소가 추가될 수 있다. 어떤 실시 예에서는, 예를 들면, 표시 장치(160)(예: 디스플레이)에 임베디드(embedded)된 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)의 경우와 같이, 일부의 구성 요소들이 통합되어 구현될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 구동하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성 요소(예: 하드웨어 또는 소프트웨어 구성 요소)를 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다. 프로세서(120)는 다른 구성 요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(volatile memory)(132)에 로드(load)하여 처리하고, 결과 데이터를 비휘발성 메모리(non-volatile memory)(134)에 저장할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치(CPU, central processing unit) 또는 어플리케이션 프로세서(AP, application processor)), 및 이와는 독립적으로 운영되고, 추가적으로 또는 대체적으로, 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화된 보조 프로세서(123)(예: 그래픽 처리 장치(GPU, graphic processing unit), 이미지 시그널 프로세서(ISP, image signal processor), 센서 허브 프로세서(sensor hub processor), 또는 커뮤니케이션 프로세서(CP, communication processor))를 포함할 수 있다. 여기서, 보조 프로세서(123)는 메인 프로세서(121)와 별개로 또는 임베디드되어 운영될 수 있다.
이런 경우, 보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(inactive)(예: 슬립(sleep)) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(active)(예: 어플리케이션 수행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성 요소들 중 적어도 하나의 구성 요소(예: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시 예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부 구성 요소로서 구현될 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성 요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 저장할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 저장되는 소프트웨어로서, 예를 들면, 운영 체제(OS, operating system)(142), 미들 웨어(middleware)(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 장치(150)는, 전자 장치(101)의 구성 요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신하기 위한 장치로서, 예를 들면, 마이크, 마우스, 또는 키보드 등을 포함할 수 있다.
음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력하기 위한 장치로서, 예를 들면, 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용되는 스피커와 전화 수신 전용으로 사용되는 리시버(receiver)를 포함할 수 있다. 일 실시 예에 따르면, 리시버는 스피커와 일체 또는 별도로 형성될 수 있다.
표시 장치(160)는 전자 장치(101)의 사용자에게 정보를 시각적으로 제공하기 위한 장치로서, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 표시 장치(160)는 터치 회로(touch circuitry) 또는 터치에 대한 압력의 세기를 측정할 수 있는 압력 센서(pressure sensor)(또는 포스 센서(force sensor))를 포함할 수 있다.
오디오 모듈(170)은 소리와 전기 신호를 쌍방향으로 변환시킬 수 있다. 일 실시 예에 따르면, 오디오 모듈(170)은, 입력 장치(150)를 통해 소리를 획득하거나, 음향 출력 장치(155), 또는 전자 장치(101)와 유선 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102)(예: 스피커 또는 헤드폰))를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 내부의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 센서 모듈(176)은, 예를 들면, 제스처 센서(gesture sensor), 자이로 센서(gyro sensor), 기압 센서(barometer sensor), 마그네틱 센서(magnetic sensor), 가속도 센서(acceleration sensor), 그립 센서(grip sensor), 근접 센서(proximity sensor), 컬러 센서(color sensor)(예: RGB(red, green, blue) 센서), IR(infrared) 센서, 생체 센서(medical sensor, biometric sensor), 온도 센서(temperature sensor), 습도 센서(humidity sensor), 또는 조도 센서(illuminance sensor) 등을 포함할 수 있다.
인터페이스(177)는 외부 전자 장치(예: 전자 장치(102))와 유선 또는 무선으로 연결할 수 있는 지정된 프로토콜(protocol)을 지원할 수 있다. 일 실시 예에 따르면, 인터페이스(177)는 HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD(secure digital) 카드 인터페이스, 또는 오디오 인터페이스 등을 포함할 수 있다.
연결 단자(connection terminal)(178)는 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102))를 물리적으로 연결시킬 수 있는 커넥터, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터) 등을 포함할 수 있다.
햅틱 모듈(haptic module)(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 햅틱 모듈(179)은, 예를 들면, 모터(motor), 압전 소자(piezoelectric element), 또는 전기 자극 장치(electrical stimulation device) 등을 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시 예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈, 이미지 센서, 이미지 시그널 프로세서, 또는 플래시를 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리하기 위한 모듈로서, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구성될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성 요소에 전력을 공급하기 위한 장치로서, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지(fuel cell)를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 유선 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되는, 유선 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시 예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함하고, 그 중 해당하는 통신 모듈을 이용하여 제1 네트워크(198)(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제2 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN(wide area network))와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 상술한 여러 종류의 통신 모듈(190)은 하나의 칩으로 구현되거나 또는 각각 별도의 칩으로 구현될 수 있다.
일 실시 예에 따르면, 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 사용자 정보를 이용하여 통신 네트워크 내에서 전자 장치(101)를 구별 및 인증할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부로 송신하거나 외부로부터 수신하기 위한 하나 이상의 안테나들을 포함할 수 있다. 일 실시 예에 따르면, 통신 모듈(190)(예: 무선 통신 모듈(192))은 통신 방식에 적합한 안테나를 통하여 신호를 외부 전자 장치로 송신하거나, 외부 전자 장치로부터 수신할 수 있다.
상기 구성 요소들 중 일부 구성 요소들은 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input/output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))를 통해 서로 연결되어 신호(예: 명령 또는 데이터)를 상호 간에 교환할 수 있다.
일 실시 예에 따르면, 명령 또는 데이터는 제2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104) 간에 송신 또는 수신될 수 있다. 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다.
일 실시 예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 다른 하나 또는 복수의 외부 전자 장치(102, 104)에서 실행될 수 있다. 일 실시 예에 따르면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로 또는 요청에 의하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 그와 연관된 적어도 일부 기능을 외부 전자 장치(102, 104)에게 요청할 수 있다. 상기 요청을 수신한 외부 전자 장치(102, 104)는 요청된 기능 또는 추가 기능을 실행하고, 그 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 수신된 결과를 그대로 또는 추가적으로 처리하여 요청된 기능이나 서비스를 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅(cloud computing), 분산 컴퓨팅(distributed computing), 또는 클라이언트-서버 컴퓨팅(client-server computing) 기술이 이용될 수 있다.
도 2는 다양한 실시 예들에 따른, 표시 장치(160)의 블록도(200)이다.
도 2를 참조하면, 표시 장치(160)는 디스플레이(210), 및 이를 제어하기 위한 디스플레이 드라이버 IC(DDI, display driver IC)(230)를 포함할 수 있다. DDI(230)는 인터페이스 모듈(231), 메모리(233)(예: 버퍼 메모리), 이미지 처리 모듈(235), 또는 맵핑 모듈(237)을 포함할 수 있다.
DDI(230)는, 예를 들면, 인터페이스 모듈(231)을 통하여 프로세서(120)(예: 메인 프로세서(121)(예: 어플리케이션 프로세서) 또는 메인 프로세서(121)의 기능과 독립적으로 운영되는 보조 프로세서(123))로부터 영상 데이터, 또는 상기 영상 데이터를 제어하기 위한 명령에 대응하는 영상 제어 신호를 포함하는 영상 정보를 수신할 수 있다. DDI(230)는 터치 회로(250) 또는 센서 모듈(176) 등과 상기 인터페이스 모듈(231)을 통하여 커뮤니케이션할 수 있다. 또한, DDI(230)는 상기 수신된 영상 정보 중 적어도 일부를 메모리(233)에, 예를 들면, 프레임 단위로 저장할 수 있다.
이미지 처리 모듈(235)은, 예를 들면, 상기 영상 데이터의 적어도 일부를 영상 데이터의 특성 또는 디스플레이(210)의 특성에 적어도 기반하여 전처리(pre-processing) 또는 후처리(post-processing)(예: 해상도, 밝기, 또는 크기 조정 등)를 수행할 수 있다.
맵핑 모듈(237)은 디스플레이(210)의 픽셀(pixel)들의 속성(예: 픽셀들의 배열(RGB stripe 또는 pentile), 또는 서브 픽셀들 각각의 크기)에 적어도 일부 기반하여, 이미지 처리 모듈(135)을 통해 전처리 또는 후처리된 영상 데이터를 픽셀들을 구동할 수 있는 전압 값 또는 전류 값으로 변환할 수 있다. 디스플레이(210)의 적어도 일부 픽셀들은, 예를 들면, 전압 값 또는 전류 값에 기반하여 구동됨으로써 영상 데이터에 대응하는 시각적 정보(예: 텍스트, 이미지, 또는 아이콘)가 디스플레이(210)에 표시될 수 있다.
일 실시 예에 따르면, 표시 장치(160)는 터치 회로(250)를 더 포함할 수 있다. 터치 회로(250)는 터치 센서(251) 및 이를 제어하기 위한 터치 센서 IC(253)를 포함할 수 있다. 터치 센서 IC(253)는 터치 센서(251)를 제어하여, 예를 들면, 디스플레이(210)의 특정 위치에 대한 신호(예: 전압, 광량, 저항, 또는 전하량 등)의 변화를 측정함으로써 특정 위치에 대한 터치 입력 또는 호버링(hovering) 입력을 감지하고, 감지된 터치 입력 또는 호버링 입력에 관한 정보(예: 위치, 면적, 압력, 또는 시간 등)를 프로세서(120)에 제공할 수 있다. 일 실시 예에 따르면, 터치 회로(250)의 적어도 일부(예: 터치 센서 IC(253))는 DDI(230), 또는 디스플레이(210)의 일부로, 또는 표시 장치(160)의 외부에 배치된 다른 구성 요소(예: 보조 프로세서(123))의 일부로 포함될 수 있다.
일 실시 예에 따르면, 표시 장치(160)는 센서 모듈(176)의 적어도 하나의 센서(예: 지문 센서, 홍채 센서, 압력 센서 또는 조도 센서 등), 또는 이에 대한 제어 회로를 더 포함할 수 있다. 이 경우, 적어도 하나의 센서 또는 이에 대한 제어 회로는 표시 장치(160)의 일부(예: 디스플레이(210) 또는 DDI(230)) 또는 터치 회로(250)의 일부에 임베디드되어 구현될 수 있다.
예를 들면, 표시 장치(160)에 임베디드된 센서 모듈(176)이 생체 센서(예: 지문 센서)를 포함할 경우, 생체 센서는 디스플레이(210)의 일부 영역을 통해 터치 입력과 연관된 생체 정보(예: 지문 이미지)를 획득할 수 있다. 다른 예를 들면, 표시 장치(160)에 임베디드된 센서 모듈(176)이 압력 센서를 포함할 경우, 압력 센서는 디스플레이(210)의 일부 또는 전체 영역을 통해 터치 입력에 대한 압력 정보를 획득할 수 있다. 일 실시 예에 따르면, 터치 센서(251) 또는 센서 모듈(176)은 디스플레이(210)의 픽셀 레이어(pixel layer)의 픽셀들 사이에, 또는 픽셀 레이어의 위에 또는 아래에 배치될 수 있다.
본 문서에 개시된 다양한 실시 예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치 중 적어도 하나를 포함할 수 있다. 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서에 개시된 다양한 실시 예들에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및/또는 B 중 적어도 하나", "A, B 또는 C" 또는 "A, B 및/또는 C 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제1", "제2", "첫째" 또는 "둘째" 등의 표현들은 해당 구성 요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성 요소를 다른 구성 요소와 구분하기 위해 사용될 뿐 해당 구성 요소들을 한정하지 않는다. 어떤(예: 제1) 구성 요소가 다른(예: 제2) 구성 요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 어떤 구성 요소가 다른 구성 요소에 직접적으로 연결되거나, 다른 구성 요소(예: 제3 구성 요소)를 통하여 연결될 수 있다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어(firmware)로 구성된 유닛(unit)을 포함하며, 예를 들면, 로직(logic), 논리 블록(logic block), 부품(component), 또는 회로(circuit) 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 문서의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 명령어(instruction)를 포함하는 소프트웨어(예: 프로그램(140))로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(101))를 포함할 수 있다. 명령어가 프로세서(예: 프로세서(120))에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성 요소들을 이용하여 명령어에 해당하는 기능을 수행할 수 있다. 명령어는 컴파일러(compiler) 또는 인터프리터(interpreter)에 의해 생성 또는 실행되는 코드(code)를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장 매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: CD-ROM, compact disc read only memory)의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예들에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱(heuristic)하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
도 3은 본 발명의 다양한 실시 예들에 따른 전자 장치에서 기능 처리 모듈의 예를 도시하는 도면이다.
도 3에 도시한 바와 같이, 도 3은 다양한 실시 예들에 따른 전자 장치(예: 도 1의 전자 장치(101))에서 헬스 케어 서비스(health care service)를 제공하는 것과 관련된 기능 처리 모듈(300)(또는 운동 코치 모듈(exercise coach module))의 예를 나타낼 수 있다. 다양한 실시 예들에서, 기능 처리 모듈(300)은 프로세싱 회로(processing circuitry)를 포함하는 프로세서(예: 도 1의 프로세서(120))에 하드웨어 모듈(hardware module)로 포함되거나, 또는 소프트웨어 모듈(software module)로 포함될 수 있다.
도 3을 참조하면, 기능 처리 모듈(300)은 사용자의 현재 시점(예: 오늘(today))에서 적합한 운동 목표(target of exercise)(예: 운동 거리 및/또는 시간에 따른 운동량)를 설정하여 추천하는 동작을 처리할 수 있다. 다양한 실시 예들에서, 기능 처리 모듈(300)은 사용자의 현재 시점(예: 오늘)에 적합한 타겟 데이터를 설정하고, 설정된 타겟 데이터에 기반하여 운동 코치를 제공하도록 처리하는 하나 또는 그 이상의 모듈들을 포함할 수 있다. 기능 처리 모듈(300)은 필터링 모듈(310), 소스 데이터 처리 모듈(320), 타겟 데이터 처리 모듈(330), 추천 데이터 생성 모듈(340), 가이드 모듈(350) 등을 포함할 수 있다.
필터링 모듈(310)은, 운동 데이터의 필터링을 처리할 수 있다. 일 실시 예에 따르면, 필터링 모듈(310)은 미리 설정된 적어도 하나의 조건에 기반하여 저장된 적어도 하나의 운동 데이터들에 대하여 필터링을 수행할 수 있다. 다양한 실시 예들에서, 적어도 하나의 조건은 추출할 운동 데이터의 기간(예: 오늘을 기준으로 주 단위, 월 단위, 또는 연 단위), 운동 데이터의 적어도 하나의 기준 조건(예: 일정 거리 이상, 또는 일정 시간 이상) 등을 포함할 수 있다.
소스 데이터 처리 모듈(320)은, 필터링 모듈(310)에 의해 필터링된 운동 데이터에 대한 노멀라이징(normalizing)을 처리할 수 있다. 소스 데이터 처리 모듈(310)은, 예를 들면, 지수 평활법(exponential smoothing)을 이용하여 필터링된 운동 데이터에 대한 스무딩(smoothing) 처리할 수 있다. 일 실시 예에 따라, 소스 데이터 처리 모듈(320)은 스무딩의 결과로서 적어도 하나의 소스 데이터(예: 제1 소스 데이터, 또는 제2 소스 데이터)를 획득할 수 있다. 일 실시 예에 따라, 소스 데이터는 거리 데이터 또는 시간 데이터 중 적어도 하나를 포함할 수 있다. 다양한 실시 예들에서, 제1 소스 데이터는 거리 데이터 또는 시간 데이터 중 어느 하나를 나타낼 수 있고, 제2 소스 데이터는 제1 소스 데이터(예: 거리 데이터) 외의 다른 데이터(예: 시간 데이터)를 나타낼 수 있다.
타겟 데이터 처리 모듈(330)은, 타겟 데이터를 위한 타겟팅(targeting)과 타겟 데이터를 위한 예측(prediction)을 수행할 수 있다. 일 실시 예에 따르면, 타겟 데이터 처리 모듈(330)은 제1 소스 데이터, 제2 소스 데이터, 사용자의 프로파일 정보, 또는 사용자의 생체 정보 중 적어도 하나에 기반하여 적어도 하나의 타겟 데이터를 결정할 수 있다.
일 실시 예에 따라, 타겟 데이터 처리 모듈(330)은, 스무딩에 따라 획득된 소스 데이터를 이용하여 제1 타겟 데이터(예: 목표 거리 또는 목표 시간)를 결정할 수 있다. 일 실시 예에 따라, 타겟 데이터 처리 모듈(330)은 거리 또는 시간 중 어느 하나가 미리 설정되거나 사용자 선호도에 기반하여 제1 타겟 데이터의 종류를 결정할 수 있다. 일 실시 예에 따르면, 타겟 데이터 처리 모듈(330)은 설정된 데이터가 거리인 경우, 소스 데이터에 기반하여 제1 타겟 데이터로서 목표 거리를 산출할 수 있다. 일 실시 예에 따르면, 타겟 데이터 처리 모듈(330)은 설정된 데이터가 시간인 경우, 소스 데이터에 기반하여 제1 타겟 데이터로서 목표 시간을 산출할 수 있다. 일 실시 예에 따르면, 타겟 데이터 처리 모듈(330)은 사용자 프로파일(user profile)에 기반하여 사용자 선호도(또는 성향)를 분석하고, 분석 결과에 기반하여 제1 타겟 데이터로 목표 거리 또는 목표 시간을 산출할 수 있다.
일 실시 예에 따라, 타겟 데이터 처리 모듈(330)은, 소스 데이터(예: 제1 소스 데이터, 또는 제2 소스 데이터)와 제1 타겟 데이터에 기반하여 제2 타겟 데이터(예: 목표 거리 또는 목표 시간)를 예측할 수 있다. 일 실시 예에 따르면, 예측하고자 하는 제2 타겟 데이터는 앞서 결정된 제1 타겟 데이터의 종류에 따라 결정될 수 있다. 예를 들면, 제1 타겟 데이터가 거리에 기반하여 산출된 값인 경우, 제2 타겟 데이터는 목표 시간일 수 있고, 제1 타겟 데이터가 시간에 기반하여 산출된 값인 경우, 제2 타겟 데이터는 목표 거리일 수 있다.
일 실시 예에 따라, 타겟 데이터 처리 모듈(330)은, 다양한 추정 기법에 기반하여 제2 타겟 데이터를 예측할 수 있다. 예를 들면, 타겟 데이터 처리 모듈(330)은 운동 데이터(exercise data) 기반의 최대 산소 섭취량(Vo2Max) 추정, 프로파일 및 테스트 결과 기반의 최대 산소 섭취량 추정, 외부 데이터(예: 웨어러블 디바이스에 의해 측정되어 입력되는 데이터 등) 기반의 최대 산소 섭취량 추정, 데이브 카메론의 모델(Dave Cameron's Model) 기반 추정, 또는 피터 리겔의 모델(Pete Riegel's Model) 기반 추정 등에 기반하여, 각각에 대응하는 복수의 타겟 데이터들을 예측할 수 있다. 타겟 데이터 처리 모듈(330)은 예측된 복수의 타겟 데이터들에 기반하여 제2 타겟 데이터를 예측할 수 있다.
일 실시 예에 따라, 타겟 데이터 처리 모듈(330)은, 제2 타겟 데이터를 위한 회귀(regression) 분석을 수행할 수 있다. 예를 들면, 타겟 데이터 처리 모듈(330)은 선형 회귀 분석(linear regression model)을 통해 제2 타겟 데이터를 결정할 수 있다. 일 실시 예에 따라, 타겟 데이터 처리 모듈(330)은 제2 타겟 데이터를 위한 예측과 회귀 중 어느 하나 또는 조합에 의해 제2 타겟 데이터를 결정할 수 있다.
추천 데이터 생성 모듈(340)은, 제1 타겟 데이터와 제2 타겟 데이터에 기반하여 추천 데이터를 생성할 수 있다. 일 실시 예에 따라, 추천 데이터 생성 모듈(340)은 제1 타겟 데이터 및/또는 제2 타겟 데이터에 설정된 부가 데이터(예: warm-up and cool-down periods)를 결합하여 추천 데이터를 생성할 수 있다. 다양한 실시 예들에서, 부가 데이터는 다음 운동에 관련된 데이터로, 예를 들면, 준비 구간(warm up)과 마무리 구간(cool-down)에 대응하는 시간 또는 거리 데이터 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따라, 추천 데이터 생성 모듈(340)은, 제1 타겟 데이터와 제2 타겟 데이터에 따른 추천 데이터의 오버피팅(overfitting) 여부를 판단하고, 판단하는 결과에 기반하여 추천 데이터를 수정(또는 가공)하여 제공할 수 있다.
가이드 모듈(350)은, 생성된 추천 데이터를 운동 프로그램의 하나로 설정(등록)할 수 있다. 가이드 모듈(350)은, 설정된 운동 프로그램의 실행에 기반하여, 사용자의 운동 진행 상태에 관련된 다양한 가이드를 시각, 청각, 또는 촉각에 적어도 하나에 기반하여 사용자에게 피드백(feedback) 할 수 있다.
이상에서 살펴본 바와 같이, 다양한 실시 예들에 따른 전자 장치(101)는, 센서 회로(예: 센서 모듈(176)), 및 프로세서(120)를 포함하고, 상기 프로세서(120)는, 사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보 중 지정된 조건을 만족하는 적어도 하나의 활동 정보를 결정하고, 상기 적어도 하나의 활동 정보의 시간의 흐름에 대응하는 변화에 적어도 기반하여, 상기 사용자에 대한 제1 운동 강도를 결정하고, 상기 사용자와 관련하여 이전에 설정된 운동 목표에 적어도 기반하여, 상기 제1 운동 강도가 조정된 제2 운동 강도를 결정하고, 및 상기 제2 운동 강도와 관련된 가이드 정보를 제공하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 적어도 하나의 활동 정보의 적어도 일부에 지정된 가중치가 적용된 보정 정보에 더 기반하여, 상기 제1 운동 강도를 결정하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 보정 정보의 적어도 일부로, 상기 적어도 하나의 활동 정보에 적어도 기반하여 결정된 평균 운동 거리 정보 또는 평균 운동 시간 정보 중 적어도 하나를 포함하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 사용자의 생체 정보에 적어도 기반하여, 상기 운동 목표를 설정할 수 있다.
다양한 실시 예들에 따라, 전자 장치(101)는 통신 회로(예: 통신 모듈(190))를 더 포함하고, 상기 프로세서(120)는, 상기 결정된 제2 운동 강도와 관련된 데이터를 상기 통신 회로를 이용하여 연결된 외부 전자 장치로 전송하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 제1 운동 강도 및 상기 제2 운동 강도의 적어도 일부로, 상기 사용자의 운동 목표와 관련하여 운동 거리 또는 운동 시간 중 적어도 하나를 포함하도록 설정할 수 있다.
다양한 실시 예들에 따라, 전자 장치(101)는 통신 회로(예: 통신 모듈(190))를 더 포함하고, 상기 프로세서(120)는, 상기 통신 회로를 이용하여 연결된 외부 전자 장치로부터 상기 사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보를 수신하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 지정된 부가 정보에 적어도 기반하여, 상기 결정된 제2 운동 강도를 보정하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 결정된 제2 운동 강도가 지정된 운동 강도 범위를 만족하는지의 여부에 적어도 기반하여 상기 가이드 정보를 생성하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 적어도 하나의 활동 정보를 설정된 기준 개수에 기반하여 결정하도록 설정할 수 있다.
이상에서 살펴본 바와 같이, 다양한 실시 예들에 따른 전자 장치(101)는, 디스플레이(210), 및 프로세서(120)를 포함하고, 상기 프로세서(120)는, 사용자의 이전 운동과 관련된 운동 데이터로부터 소스 데이터를 획득하고, 상기 소스 데이터의 적어도 일부로부터 제1 타겟 데이터를 결정하고, 상기 소스 데이터와 상기 제1 타겟 데이터를 이용하여, 제2 타겟 데이터를 위한 복수의 예측 결과들을 추정하고, 상기 복수의 예측 결과들의 평균에 기반하여 상기 제2 타겟 데이터를 결정하고, 상기 제1 타겟 데이터와 상기 제2 타겟 데이터에 기반하여 사용자의 운동 코치를 위한 추천 데이터를 생성하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 운동 데이터를, 설정된 적어도 하나의 조건에 기반하여 필터링 하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 필터링된 운동 데이터를 스무딩(smoothing) 하고, 스무딩 결과로부터 소스 거리(source duration)와 소스 시간(source distance)을 획득하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 필터링된 운동 데이터가 기준 개수를 초과하는 경우, 최근 운동 데이터를 기준으로 상기 기준 개수만큼 감소하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 미리 설정되거나 사용자 선호도에 기반하여 상기 제1 타겟 데이터의 종류를 결정하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 복수의 다른 추정 기법들에 기반하여 상기 복수의 예측 결과들을 추정하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 운동 데이터들을 이용한 선형 회귀 분석(linear regression model)에 기반하여 상기 제2 타겟 데이터를 결정하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 제1 타겟 데이터와 상기 제2 타겟 데이터의 적어도 일부에 설정된 부가 데이터를 결합하여 상기 추천 데이터를 생성하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 추천 데이터의 오버피팅(overfitting) 여부를 판단하는 것에 응답하여, 상기 추천 데이터를 가공하도록 설정할 수 있다.
다양한 실시 예들에 따라, 상기 프로세서(120)는, 상기 추천 데이터를 상기 전자 장치의 운동 프로그램(exercise program)으로 등록하도록 설정할 수 있다.
이하에서, 첨부 도면들을 참조하여 본 발명의 다양한 실시 예들에 따른 동작 방법에 대하여 살펴보기로 한다. 하지만, 본 발명의 다양한 실시 예들이 하기에서 기술하는 내용에 의해 제한되거나 한정되는 것은 아니므로, 하기의 실시 예에 의거하여 다양한 실시 예들에 적용할 수 있음에 유의하여야 한다. 이하에서 설명되는 본 발명의 다양한 실시 예들에서는 하드웨어적인 접근 방법을 예시로서 설명한다. 하지만, 본 발명의 다양한 실시 예들에서는 하드웨어와 소프트웨어를 모두 사용하는 기술을 포함하고 있으므로, 본 발명의 다양한 실시 예들이 소프트웨어 기반의 접근 방법을 제외하는 것은 아니다.
도 4는 본 발명의 다양한 실시 예들에 따른 전자 장치에서 헬스 케어 서비스를 제공하는 방법을 도시하는 흐름도이다.
도 4를 참조하면, 동작(401)에서, 전자 장치(101)의 프로세서(120)(예: 프로세싱 회로(processing circuitry))를 포함하는 하나 또는 그 이상의 프로세서들(또는 제어 회로)(또는 도 3의 기능 처리 모듈(300))는 헬스 케어 어플리케이션(health care application)을 실행할 수 있다. 일 실시 예에 따라, 프로세서(120)는 사용자가 전자 장치(101)를 이용하여 헬스 케어 어플리케이션의 실행을 요청(예: 선택 또는 터치)하는 것을 판단(또는 감지)하는 것에 기반하여, 헬스 케어 어플리케이션 실행으로 결정할 수 있다.
다양한 실시 예들에서, 동작(401)의 헬스 케어 어플리케이션을 실행하는 동작은 수행하지 않고, 도 4에서 생략될 수 있다. 일 실시 예에 따르면, 도 4의 동작(401)과 같이 동작하는 경우, 사용자는 헬스 케어 어플리케이션을 실행하여 최종적으로 운동 데이터를 추천 받을 수 있다. 일 실시 예에 따르면, 도 4의 동작(401)을 생략하는 경우, 사용자는 헬스 케어 어플리케이션을 실행하지 않은 상태에서, 전자 장치(101)(또는 프로세서(120))에서 자체적으로 사용자에게 추천할 운동 데이터를 생성하고, 팝업(pop-up) 또는 카드(card) 등의 형식으로 사용자에게 제공할 수도 있다. 예를 들면, 프로세서(120)는 사용자가 자주 운동을 수행하던 시점(예: 운동 수행 전)에 팝업 또는 카드 등의 형식으로 추천 운동 데이터를 제공할 수 있다.
다양한 실시 예들에 따르면, 프로세서(120)는 도 4와 같은 동작을, 사용자가 헬스 케어 어플리케이션을 실행하거나 또는 사용자 히스토리 정보(예: 운동을 자주 수행한 시간 등)에 적어도 기반하여 수행될 수 있다.
동작(403)에서, 프로세서(120)는 사용자가 이전에 수행한 저장된 운동 데이터들(workouts)을 필터링(filtering)할 수 있다. 일 실시 예에 따라, 프로세서(120)는 사용자에 의해 수행된 적어도 하나의 운동 로그(workout log)들에서 설정된 조건에 대응하는 운동들을 추출할 수 있다. 일 실시 예에 따르면, 설정된 조건이 시간을 위한 제1조건(예: 10분(minutes) 이상)과 거리를 위한 제2조건(예: 1킬로미터(Km) 이상)인 것을 가정하면, 프로세서(120)는 운동들 중 제1조건과 제2조건에 포함되는(만족되는) 운동들을 추출할 수 있다. 일 실시 예에 따라, 프로세서(120)는 특정 기간(예: 최근 1달 이내)의 조건을 더 설정할 수 있고, 이러한 경우 특정 기간 내에서 제1조건과 제2조건에 포함되는 운동들을 추출할 수 있다. 일 실시 예에 따라, 프로세서(120)는 설정에 따라 추출하는 운동들의 수를 제한할 수 있다. 예를 들면, 설정이 10개 이하의 기준을 가지는 경우, 프로세서(120)는 10개 초과의 운동들이 추출되면 최근 10개의 운동들을 결정할 수 있다.
동작(405)에서, 프로세서(120)는 필터링된 운동들에 기반하여 소스 데이터(source data)를 획득할 수 있다. 다양한 실시 예들에서, 소스 데이터는 필터링된 운동들에 관련된 데이터로, 예를 들면, 시간 데이터(duration data)와 거리 데이터(distance data)를 포함할 수 있다. 다양한 실시 예들에서는, 설명의 편의를 위해, 제1 소스 데이터가 거리 데이터이고 제2 소스 데이터가 시간 데이터인 것을 가정하여 설명하기로 한다. 하지만, 다양한 실시 예들이 이에 한정하는 것은 아니며, 제1 소스 데이터가 시간 데이터이고, 제2 소스 데이터가 거리 데이터인 경우도 동작 가능할 수 있다.
동작(407)에서, 프로세서(120)는 제1 소스 데이터에 기반하여 제1 타겟 데이터를 결정할 수 있다. 일 실시 예에 따라, 프로세서(120)는 제1 소스 데이터가 거리 데이터인 경우, 필터링된 운동들의 거리 데이터에 기반하여 현재 시점을 위한 목표 거리(target distance)를 결정할 수 있다. 다양한 실시 예들에서, 제1 타겟 데이터(예: 목표 거리)를 결정하는 동작과 관련하여 후술하는 도면들을 참조하여 구체적으로 설명된다.
동작(409)에서, 프로세서(120)는 소스 데이터(예: 제1 소스 데이터, 또는 제2 소스 데이터)와 제1 타겟 데이터에 기반하여 제2 타겟 데이터를 예측(또는 추정)할 수 있다. 다양한 실시 예들에서, 프로세서(120)는 다양한 추정 기법에 적어도 일부 기반하여 제2 타겟 데이터를 추정할 수 있다. 다양한 실시 예들에서는, 제2 타겟 데이터의 보다 정확한 값을 추정하기 위하여 복수의 다른 추정 기법(예: 운동 성과 예측 접근법(workout performance prediction approaches))을 이용하는 것을 예로 한다. 예를 들면, 프로세서(120)는 제1 추정 기법, 제2 추정 기법, 제3 추정 기법, 제4 추정 기법, 또는 제5 추정 기법 등과 같이, 복수의 추정 기법들에 기반하여 제2 타겟 데이터를 추정할 수 있다. 일 실시 예에 따르면, 복수의 추정 기법들에 대응하여, 추정되는 제2 타겟 데이터는 추정 기법들에 대응하는 복수의 타겟 데이터들이 추정될 수 있다. 다양한 실시 예들에서, 제2 타겟 데이터(예: 목표 시간)를 추정하는 동작과 관련하여 후술하는 도면들을 참조하여 구체적으로 설명된다.
동작(411)에서, 프로세서(120)는 제2 타겟 데이터를 결정할 수 있다. 다양한 실시 예들에서, 프로세서(120)는 추정 결과에 따른 복수의 타겟 데이터들에 기반하여 최종 제2 타겟 데이터를 결정할 수 있다. 일 실시 예에 따라, 프로세서(120)는 복수의 타겟 데이터들의 평균을 산출하여 최종 제2 타겟 데이터로 결정할 수 있다. 일 실시 예에 따라, 프로세서(120)는 선형 회귀 분석(linear regression model)을 통해 제2 타겟 데이터를 결정할 수도 있다. 다양한 실시 예들에서, 제2 타겟 데이터를 결정하는 동작과 관련하여 후술하는 도면들을 참조하여 구체적으로 설명된다.
동작(413)에서, 프로세서(120)는 제1 타겟 데이터와 제2 타겟 데이터에 기반하여 운동 코치를 위한 추천 데이터를 생성할 수 있다. 일 실시 예에 따라, 프로세서(120)는 생성된 추천 데이터에 기반하여 새로운 운동 프로그램으로 등록할 수 있다. 다양한 실시 예들에서, 추천 데이터를 생성하는 동작과 관련하여 후술하는 도면들을 참조하여 구체적으로 설명된다.
동작(415)에서, 프로세서(120)는 추천 데이터에 기반하여 운동을 추천할 수 있다. 일 실시 예에 따라, 프로세서(120)는 추천 데이터에 기반하여 운동 코치(또는 가이드)를 제공(또는 시작)할 수 있다.
도 5는 본 발명의 다양한 실시 예들에 따른 전자 장치에서 필터링 방법을 도시하는 흐름도이다.
도 5를 참조하면, 동작(501)에서, 전자 장치(101)의 프로세서(120)는 저장된 운동 로그들 중 설정된 기간 내의 제1 운동 로그를 추출할 수 있다. 일 실시 예에 따라, 프로세서(120)는 사용자에 의해 수행된 적어도 하나의 운동 로그 중, 미리 설정된 특정 기간(예: 오늘을 기준으로 1달 이내)의 운동 로그들을 추출할 수 있다. 일 실시 예에 따라, 적어도 하나의 운동 로그는 사용자가 운동을 수행할 때 전자 장치(101)의 센서 모듈(176) 또는 통신 모듈(190)(예: 위치 측위 회로로, 예를 들면, GNSS 또는 GPS(global positioning system)) 중 적어도 하나에 의해 측정된 로그, 사용자가 입력 장치를 통해 입력한 운동과 관련된 로그 등을 포함할 수 있다.
동작(503)에서, 프로세서(120)는 추출된 제1 운동 로그 중에서 설정된 조건의 제2 운동 로그를 추출할 수 있다. 다양한 실시 예들에서, 조건을 복수로 설정될 수 있다. 일 실시 예에 따르면, 조건은 시간을 위한 제1조건(예: 10분(minutes) 이상)과 거리를 위한 제2조건(예: 1킬로미터(Km) 이상)을 포함할 수 있다. 프로세서(120)는 제1 운동 로그 중에서 제1조건과 제2조건에 부합하는 제2 운동 로그를 추출할 수 있다.
동작(505)에서, 프로세서(120)는 추출된 제2 운동 로그의 개수가 설정된 기준 개수를 초과하는지 여부를 판단할 수 있다. 일 실시 예에 따라, 기준 개수가 10개 이하로 설정된 경우, 프로세서(120)는 추출된 제2 운동 로그의 개수가 10개를 초과하는지 여부를 판단할 수 있다.
동작(505)에서, 프로세서(120)는 제2 운동 로그의 개수가 기준 개수를 초과하지 않는 것을 판단하면(동작(505)의 아니오), 예를 들면, 제2 운동 로그의 개수가 기준 개수 이하인 것을 판단하면, 동작(509)로 진행하여, 동작(509) 이하의 동작 수행을 처리할 수 있다.
동작(505)에서, 프로세서(120)는 제2 운동 로그의 개수가 기준 개수를 초과하는 것을 판단하면(동작(505)의 예), 동작(507)에서, 제2 운동 로그에서, 최근 운동 로그를 기준으로 기준 개수만큼 제3 운동 로그를 추출할 수 있다. 일 실시 예에 따라, 프로세서(120)는 추출된 제2 운동 로그들 중에서, 가장 최근의 운동 로그를 기준으로 기준 개수(예: 10개)만큼 카운트하여, 총 10개의 제3 운동 로그를 추출할 수 있다.
동작(509)에서, 프로세서(120)는 필터링 결과의 제3 운동 로그에 기반하여 데이터를 식별할 수 있다. 예를 들면, 프로세서(120)는 10개의 운동 로그에 기반하여 소스 데이터를 식별할 수 있다.
도 6은 다양한 실시 예들에 따른 전자 장치에서 필터링 결과의 예를 도시하는 도면들이다.
도 6의 예시(A)를 참조하면, 예시(A)는 전자 장치(101)에 저장(또는 기록)된 사용자의 운동(또는 운동 로그)들 중에서, 설정된 특정 기간(예: 오늘을 기준으로 최근 1달 내)의 데이터를 구분하는 예를 나타낼 수 있다. 일 실시 예에 따르면, 예시(A)는 전술한 도 5를 참조한 설명 부분에서 설명한 바와 같은 제1 운동 로그에 대응할 수 있다.
도 6의 예시(B)를 참조하면, 예시(B)는 예시(A)와 같이 구분된 최근 1달 내의 운동(또는 운동 로그)들 중에서, 설정된 제1조건(예: 10분 이상 운동)과 제2조건(예: 1킬로미터 이상 운동)의 데이터를 구분하는 예를 나타낼 수 있다. 일 실시 예에 따르면, 예시(B)는 전술한 도 5를 참조한 설명 부분에서 설명한 바와 같은 제2 운동 로그에 대응할 수 있다.
한편, 도 6의 예시(A) 및 예시(B)에서는 설명의 편의를 위해, 특정 기간과 제2조건(예: 거리 조건)에 기반하여 데이터를 필터링 하는 예를 도시하였으나, 전술된 바와 같이 제1조건(예: 시간 조건)도 함께 고려될 수 있다.
도 5 및 도 6에 도시한 바와 같이, 다양한 실시 예들에서는 운동 데이터의 필터링을 통해, 다음 운동 추천을 위한 타겟 데이터를 획득하는 데 이용될 수 있는 기준 데이터를 선별할 수 있다. 다양한 실시 예들에서, 선별된 기준 데이터는 타겟 데이터의 신뢰도 향상을 위한 데이터일 수 있다.
도 7은 다양한 실시 예들에 따른 전자 장치에서 소스 데이터를 획득하는 방법을 도시하는 흐름도이다. 도 8은 다양한 실시 예들에 따른 전자 장치에서 소스 데이터를 획득하는 예를 설명하기 위해 도시하는 도면이다.
도 7을 참조하면, 동작(701)에서, 전자 장치(101)의 프로세서(120)는 설정된 예측 기법을 이용하여 운동 데이터를 스무딩(smoothing)할 수 있다. 일 실시 예에 따르면, 운동 로그(예: 필터링된 데이터)는 시계열 데이터(time series data)일 수 있다. 다양한 실시 예들에서, 예측 기법은 지수 평활법(exponential smoothing)을 이용하는 것을 예로 하지만, 다양한 실시 예들이 이에 한정하는 것은 아니다. 일 실시 예들에 따라, 지수 평활법은 시계열 데이터의 가장 최근 데이터에 가장 큰 가중치가 주어지고 시간이 지남에 따라 가중치가 기하학적으로 감소되는 가중치 이동 평균 예측 기법의 하나의 예일 수 있다. 예를 들면, 지수 평활법은 모든 시계열 데이터를 사용하여 평균을 구하며, 시간의 흐름에 따라 최근 시계열에 더 많은 가중치를 부여하여 이후 데이터를 예측하는 방법일 수 있다. 일 실시 예에 따라, 프로세서(120)는 운동 로그 별 운동 데이터(예: 시간 데이터, 또는 거리 데이터)를 지수 평활법에 대입하여 소스 데이터(예: 제1 소스 데이터, 또는 제2 소스 데이터)를 산출할 수 있다. 아래 <수학식 1>은 지수 평활법에 따른 공식(formula)의 예를 나타낼 수 있다.
Figure PCTKR2018009557-appb-I000001
<수학식1>에서, St는 t 시간에 지수 평활을 나타내고, xt는 t 시간에 소스 데이터를 나타내고, α는 스무딩 팩터(smoothing factor)(또는 가중치)를 나타낼 수 있다. 일 실시 예에 따라, 스무딩 팩터는 미리 설정된 값일 수 있고, 또는 적응적으로 결정될 수도 있다. 예를 들면, 스무딩 팩터는, 0 < α < 1의 값을 가질 수 있고, 일반적으로 0.1 < α < 0.3이 사용될 수 있다. 다양한 실시 예들에서는, 최근 소스 데이터에 가중치를 높게 설정하기 위해 스무딩 팩터가 0.3인 것을 예로 할 수 있다.
동작(703)에서, 프로세서(120)는 예측 기법에 따른 스무딩 결과에 기반하여 소스 데이터(예: 제1 소스 데이터, 또는 제2 소스 데이터)를 획득할 수 있다. 이러한 예시가 도 8에 도시된다. 도 8에 예시한 바와 같이, 도 8은 제1 소스 데이터로 4000m (예: weighted average distance = 4000m)를 결정하고, 제2 소스 데이터로 1500secs (예: weighted average duration = 1500secs)가 결정된 예를 나타낼 수 있다.
도 9는 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터를 결정하는 방법을 도시하는 흐름도이다. 도 10은 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터를 결정하는 예를 설명하기 위해 도시하는 도면이다.
도 9를 참조하면, 동작(901)에서, 전자 장치(101)의 프로세서(120)는 사용자의 운동 성향(workout tendency)을 고려하여 가중치(또는 가중 비율(weight ratio))를 결정할 수 있다. 일 실시 예에 따라, 사용자의 운동 성향에 관련된 가중치는, 사용자의 이전 운동 데이터(예: 운동 거리)들에 기반하여 사용자의 운동 성향을 판단하고, 증가 추세 또는 감소 추세 등을 고려하여 결정할 수 있다. 다양한 실시 예들에서는, 가중치가 0.5인 것을 예로 할 수 있다.
동작(903)에서, 프로세서(120)는 설정 알고리즘과 가중치를 이용하여 제1 소스 데이터로부터 제1 타겟 데이터를 계산할 수 있다. 다양한 실시 예들에서, 설정 알고리즘은 선형 회귀 분석(linear regression model)을 이용하는 것을 예로 하지만, 다양한 실시 예들이 이에 한정하는 것은 아니다. 선형 회귀 분석은, 일반적으로, 종속 변수 y와 한 개 이상의 독립 변수(또는 설명 변수) x와의 선형 상관 관계를 모델링하는 회귀분석 기법을 나타낼 수 있다. 예를 들면, 아래 <수학식 2>의 예시와 같이 선형 회귀식을 사용하여 y 값(예: 제1 타겟 데이터)가 없는 x 값(예: 제1 소스 데이터)에 대해 y 값(예: 제1 타겟 데이터)을 예측하기 위해 사용할 수 있다. 아래 <수학식 2>는 제1 타겟 데이터의 타겟팅을 위한 공식의 예를 나타낼 수 있다.
Figure PCTKR2018009557-appb-I000002
동작(905)에서, 프로세서(120)는 계산하는 결과에 기반하여 제1 타겟 데이터를 획득할 수 있다. 일 실시 예에 따라, 프로세서(120)는 제1 소스 데이터인 거리 데이터에 기반하여 제1 타겟 데이터인 목표 거리를 획득할 수 있다. 이러한 예시가 도 10에 도시된다. 도10에 예시한 바와 같이, 도 10은 도 8의 예시에서 결정된 제1 소스 데이터(예: 4000m)와 회귀 분석을 통해 획득된 추세선(fit line)의 기울기(β)(예: 0.8) 및 가중치(ω)(예: 0.5)에 기반하여, 제1 타겟 데이터(예: 목표 거리)가 3600m로 결정된 예를 나타낼 수 있다.
도 11은 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터의 추정 방법의 예를 설명하기 위해 도시하는 도면이다.
도 11에 도시한 바와 같이, 다양한 실시 예들에서는, 타겟 데이터를 예측에 의해 추정하는 방법(1100)으로, 복수의 추정 기법들을 이용할 수 있다. 예를 들면, 운동 데이터(exercise data) 기반으로 최대 산소 섭취량(Vo2Max)을 계산하여 타겟 데이터를 추정하는 방식(1110), 프로파일 및 테스트 결과(예: 1.5 mile-test result) 기반으로 최대 산소 섭취량을 계산하여 타겟 데이터를 추정하는 방식(1120), 외부 데이터(예: 웨어러블 디바이스에 의해 측정되어 입력되는 데이터 등) 기반으로 최대 산소 섭취량을 계산하여 타겟 데이터를 추정하는 방식(1130), 데이브 카메론의 모델(Dave Cameron's Model)을 이용하여 타겟 데이터를 추정하는 방식(1140), 또는 피터 리겔의 모델(Pete Riegel's Model)을 이용하여 타겟 데이터를 추정하는 방식(1150) 등을 사용할 수 있다. 다양한 실시 예들에서는, 복수의 추정 기법들에 대응하여, 추정되는 타겟 데이터(예: 제2 타겟 데이터)는 추정 기법들에 대응하는 복수의 타겟 데이터들이 추정될 수 있다.
다양한 실시 예들에서 이용되는 추정 기법들에 대한 예는 아래와 같이 나타낼 수 있다. 각 추정 기법들은 잘 알려진 성과예측지표들(performance predictors)이며, 구체적인 설명은 생략하기로 한다.
일 실시 예에 따른 운동 데이터 기반 최대 산소 섭취량에 의한 추정(1110)은 아래 <수학식 3>에 대입하여 타겟 데이터를 예측할 수 있다.
Figure PCTKR2018009557-appb-I000003
<수학식 3>에서, 시간(time)은 분(minutes) 단위이고, 속도(velocity)는 분 당 미터(meters per minute) 단위일 수 있다. 예를 들면, <수학식 3>은, 잘 알려진 최대 산소 섭취량 및 거리에 대응하여 시간을 결정하기 위해 역으로 산출하는 데 사용될 수 있다.
일 실시 예에 따른, 프로파일 및 테스트 결과 기반 최대 산소 섭취량에 의한 추정(1120)은 아래 <수학식 4>에 대입하여 타겟 데이터를 예측할 수 있다.
Figure PCTKR2018009557-appb-I000004
<수학식 4>에서, w는 무게(weight)(lb)를 나타내고, t는 1.5 마일 시간(mile time)을 나타낼 수 있다. 예를 들면, <수학식 3>은, 잘 알려진 최대 산소 섭취량 및 거리에 대응하여 시간을 결정하기 위해 역으로 산출하는 데 사용될 수 있다.
일 실시 예에 따른, 외부 데이터 연동 기반 최대 산소 섭취량에 의한 추정(1130)은, 전자 장치(101)와 연동된(또는 연결된) 외부 장치(예: 웨어러블 디바이스)로부터 최대 산소 섭취량에 관련된 데이터를 입력 받고, 입력된 최대 산소 섭취량에 대략적으로 일치하는 최대 산소 섭취량이 도출될 수 있는 데이터를 예측하는 방식일 수 있다.
일 실시 예에 따른, 데이브 카메론의 모델에 의한 추정(1140)은 아래 <수학식 5>에 대입하여 타겟 데이터를 예측할 수 있다.
Figure PCTKR2018009557-appb-I000005
<수학식 5>에서, t1은 소스 시간(source duration)(예: 제2 소스 데이터)을 나타내고, t2는 타겟 시간(target duration)(예: 제2 타겟 데이터)을 나타내고, d1은 소스 거리(source distance)(예: 제1 소스 데이터)를 나타내고, d2는 타겟 거리(target distance)(예: 제1 타겟 데이터)를 나타낼 수 있다.
피터 리겔의 모델에 의한 추정(1150)은 아래 <수학식 6>에 대입하여 타겟 데이터를 예측할 수 있다.
Figure PCTKR2018009557-appb-I000006
<수학식 6>에서, t1은 소스 시간(source duration)(예: 제2 소스 데이터)을 나타내고, t2는 타겟 시간(target duration)(예: 제2 타겟 데이터)을 나타내고, d1은 소스 거리(source distance)(예: 제1 소스 데이터)를 나타내고, d2는 타겟 거리(target distance)(예: 제1 타겟 데이터)를 나타낼 수 있다.
다양한 실시 예들에 따르면, 복수의 추정 기법들에 대응하여, 추정되는 타겟 데이터는 추정 기법들에 대응하는 복수의 타겟 데이터들이 추정될 수 있다. 다양한 실시 예들에 따르면, 추정하는 결과에 따른 복수의 타겟 데이터들에 적어도 일부에 기반하여 최종 타겟 데이터(예: 도 4의 제2 타겟 데이터)를 결정할 수 있다. 이를 도 12를 참조하여 살펴보기로 한다.
도 12는 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터를 결정하는 방법을 도시하는 흐름도이다.
도 12를 참조하면, 동작(1201)에서, 전자 장치(101)의 프로세서(120)는 추정 결과들을 획득할 수 있다. 일 실시 예에 따라, 프로세서(120)는 도 11을 참조한 설명 부분에서 설명한 바와 같은, 복수의 추정 기법들(예: 제1 추정 기법 내지 제5 추정 기법)에 기반하여 추정되는 결과들(예: 복수의 타겟 데이터들)을 획득할 수 있다.
동작(1203)에서, 프로세서(120)는 추정 결과들에 기반하여 평균을 산출할 수 있다. 일 실시 예에 따라, 프로세서(120)는 제1 추정 기법 내지 제5 추정 기법에 따른 추정 결과들(예: 복수의 타겟 데이터들)을 평균을 산출할 수 있다.
동작(1205)에서, 프로세서(120)는 산출하는 평균을 제2 타겟 데이터로 결정할 수 있다. 일 실시 예에 따라, 도 11을 참조할 때, 프로세서(120)는 목표 시간인 제2 타겟 데이터로 57분5초(예: 3425초)를 결정할 수 있다.
전술한 도 11 및 도 12와 관련하여, 실질적인 예를 살펴보면 다음과 같다.
Figure PCTKR2018009557-appb-I000007
Figure PCTKR2018009557-appb-I000008
일 실시 예에 따라, <표 1>은 저장된 운동 데이터들일 수 있다. 예를 들면, 사용자에 의해 수행되고 필터링된 운동(예: 날짜 별 운동)과, 해당 운동에 대응하는 소스 데이터(예: 제1 소스 데이터(예: duration), 제2 소스 데이터(예: distance))의 예를 나타낼 수 있다.
일 실시 예에 따라, <표 2>는 <표 1>에 따른 운동 데이터들과 앞서 획득된 제1 타겟 데이터(예: 거리 데이터)를, 복수의 추정 기법들(예: 제1 추정 기법 내지 제5 추정 기법)에 각각 적용하여, 제2 타겟 데이터를 위한 복수의 추정(예측)된 복수의 타겟 데이터들(예: 타겟 시간들)의 예를 나타낼 수 있다. 다양한 실시 예들에 따르면, 예측된 각각의 타겟 데이터들을 이용하여 평균을 산출하고, 산출된 평균의 결과를 최종 타겟 데이터(예: 제2 타겟 데이터로, 예를 들면, 목표 시간 데이터)로 결정할 수 있다.
다양한 실시 예들에 따르면, 운동 데이터들의 선형성에 따라, 복수의 추정 기법들에 의한 예측 동작 없이, 또는 예측 동작에 추가적으로, 선형 회귀(linear regression) 분석에 의한 타겟 데이터를 결정할 수도 있다. 이의 예시에 대하여 도 13 및 도 14를 참조하여 살펴보기로 한다.
도 13은 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터를 결정하는 다른 예를 도시하는 흐름도이다. 도 14는 다양한 실시 예들에 따른 전자 장치에서 타겟 데이터를 결정하는 다른 예를 설명하기 위해 도시하는 도면이다.
도 13을 참조하면, 동작(1301)에서, 전자 장치(101)의 프로세서(120)는 기준 운동 데이터 셋(workout data set)을 확인할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 <표 1>을 참조한 설명 부분에서 설명한 바와 같은 운동 데이터 셋을 확인(또는 추출)할 수 있다. 예를 들면, 운동 데이터 셋은 <표 1>과 같은 각 데이터에 기반하여 아래 <수학식 7>에 따른 공식을 이용하여 획득할 수 있다.
Figure PCTKR2018009557-appb-I000009
동작(1303)에서, 프로세서(120)는 운동 데이터 셋에 기반하여 선형 회귀(linear regression) 분석을 수행할 수 있다. 예를 들면, 프로세서(120)는 주어진 운동 데이터 셋에 기반하여 회귀 계수(regression coefficient)(예: 절편 계수(intercept coefficient), 또는 기울기 계수(slope coefficient))를 구할 수 있다. 이러한 예가 도 14에 도시된다.
도 14에 도시한 바와 같이, 엘리먼트 1410은 주어진 운동 데이터 셋에 따른 운동 로그(workout log)들을 나타내고, 엘리먼트 1420은 타겟 거리(target distance)를 나타내고, 엘리먼트 1430은 타겟 시간(target duration)을 나타내고, 엘리먼트 1440은 추세선(fit line)(또는 회귀선(regression line))을 나타낼 수 있다. 예를 들어, 도 14에서는, 아래 <수학식 8>과 같이, 절편 계수(예: y 절편(y-intercept))가 55이고, 기울기 계수가 0.85로 획득되는 것을 예로 나타낼 수 있다.
Figure PCTKR2018009557-appb-I000010
다양한 실시 예들에서는, 제1 타겟 데이터(예: 목표 거리로, <수학식 8>에서 x 값)를 선형 회귀 분석법에 대입하여 제2 타겟 데이터(예: 목표 시간)를 산출할 수 있다. 예를 들면, 아래 <수학식 9>와 같이 나타낼 수 있다. 일 실시 예에 따라, <수학식 9>에서는, 제1 타겟 데이터로 획득된 목표 거리가 도 9 및 도 10에 예시한 바에 따라 획득된 3600인 것을 예로 한다.
Figure PCTKR2018009557-appb-I000011
동작(1305)에서, 프로세서(120)는 선형 회귀 분석의 결과에 기반하여, 제2 타겟 데이터를 결정할 수 있다. 일 실시 예에 따라, 프로세서(120)는 <수학식 9>의 결과에 따라, 산출된 “3115”를 제2 타겟 데이터(예: 목표 시간)으로 결정할 수 있다.
다양한 실시 예들에 따르면, 전술한 도 11 내지 도 14를 참조한 설명 부분에서 설명한 바와 같은 예측(또는 추정)하는 각각의 타겟 데이터들에 대하여, 목적(purpose)에 따라 가중치 함수(weight function)를 이용하여 모든 접근법(예: 예측(추정) 기법들)의 결과를 결합할 수 있다. 일 실시 예에 따라, 아래 <수학식 10>과 같은 공식(formula)에 기반하여 결합할 수 있다.
Figure PCTKR2018009557-appb-I000012
<수학식 10>에서,
Figure PCTKR2018009557-appb-I000013
일 수 있고,f1, f2, f3, f4, f5는 각 추정 기법(예: 제1 추정 기법(1110) 내지 제5 추정 기법(1150))에 대응하는 해당 추정 함수(corresponding estimation function)를 나타내고, g는 회귀 함수(regression function)를 나타내고, ds는 소스 거리(source distance)를 나타내고, dt는 타겟 거리(target distance)를 나타내고, ts는 소스 시간(source duration)을 나타내고, tf는 최종 타겟 시간(final target duration)을 나타내고,
Figure PCTKR2018009557-appb-I000014
와 ω는 가중치 팩터(weight factor)를 나타낼 수 있다.
다양한 실시 예들에 따라, 가중치 팩터들(
Figure PCTKR2018009557-appb-I000015
)을 결정하는 기본 기준은 아래와 같이 설정될 수 있다.
일 실시 예에 따라, 가중치 팩터 ω는 예측 대 회귀 분석(prediction vs regression)을 결정하기 위한 것으로, 예를 들면, 운동 데이터의 차이가 상대적으로 크지 않은 경우, 회귀 결과가 데이터 분포에 따라 안정적이므로 그보다 작은 값으로 ω를 선택할 수 있고, 그 반대의 경우도 마찬가지일 수 있다.
일 실시 예에 따라, 가중치 팩터
Figure PCTKR2018009557-appb-I000016
는 예측 모델 중 중요성을 결정하기 위한 것으로, 예를 들면, 사용자 입력으로부터 적절한 프로파일 데이터가 있는 경우, 프로파일 데이터가 계산 파라미터로 사용될 때 Vo2Max 추정이 보다 나은 결과를 반환할 수 있기 때문에,
Figure PCTKR2018009557-appb-I000017
에 보다 큰 값(예:
Figure PCTKR2018009557-appb-I000018
)을 할당할 수 있다. 예를 들면, 프로파일 기반으로 산출 가능한 Vo2Max 추정 기법(예: 제1 추정 기법(1110) 내지 제3 추정 기법(1130))에 높은 가중치를 설정할 수 있다. 일 실시 예에 따라, 사용자의 프로파일 정보 및 추가 입력 파라미터가 이전 경우와 비교하여 상대적으로 부정확한 경우,
Figure PCTKR2018009557-appb-I000019
와
Figure PCTKR2018009557-appb-I000020
에 보다 큰 값(예:
Figure PCTKR2018009557-appb-I000021
)을 할당하여, 보다 나은 결과를 획득하도록 할 수 있다. 예를 들면, 모델 기반 추정 기법(예: 제4 추정 기법(1140), 제5 추정 기법(1150))에 높은 가중치를 설정할 수 있다.
일 실시 예에 따라, 가중치 팩터의 합이 "1(예:
Figure PCTKR2018009557-appb-I000022
)인 것을 가정할 때, 사용자 프로파일의 신뢰성이 높은 경우 Vo2Max 추정에 상대적으로 높은 가중치(예: 합=0.7)를 할당하고, 모델 기반의 추정에 상대적으로 낮은 가중치(예: 합=0.3)를 할당할 수 있다. 일 실시 예에 따라, 사용자 프로파일의 신뢰성이 낮은 경우 Vo2Max 추정에 상대적으로 낮은 가중치(예: 합=0.3)를 할당하고, 모델 기반의 추정에 상대적으로 높은 가중치(예: 합=0.7)를 할당할 수 있다. 이와 관련하여 후술하는 도 17을 참조하여 설명된다.
도 15는 다양한 실시 예들에 따른 전자 장치에서 추천 데이터를 생성하는 방법을 도시하는 흐름도이다.
도 15를 참조하면, 동작(1501)에서, 전자 장치(101)의 프로세서(120)는 제1 타겟 데이터와 제2 타겟 데이터를 하나의 데이터 셋(set)으로 결합할 수 있다. 일 실시 예에 따라, 프로세서(120)는 전술한 바와 같은 다양한 추정 기법들에 기반한 각 추정으로부터 결과들의 셋을 결합하고, 다음 운동을 위한 최종 목표 기간과 최종 목표 거리를 포함하는 최종 데이터를 획득할 수 있다.
동작(1503)에서, 프로세서(120)는 부가 데이터를 확인할 수 있다. 다양한 실시 예들에서, 부가 데이터는 다음 운동에 관련된 데이터로, 예를 들면, 준비 구간(warm-up)과 마무리 구간(cool-down)에 대응하는 시간 또는 거리 데이터 중 적어도 하나를 포함할 수 있다.
동작(1505)에서, 프로세서(120)는 획득된 최종 데이터에 부가 데이터를 결합(추가)할 수 있다. 예를 들면, 프로세서(120)는 부가 데이터를 이용하여 획득된 최종 데이터를 보정할 수 있다. 일 실시 예에 따라, 최종 데이터에 따른 타겟 운동 시간이 10분인 것을 가정하면, 운동 전 5분(warm-up)과 운동 후 5분(cool-down)을 추가하여 사용자에게 총20분의 운동 가이드 정보를 제공할 수 있다.
일 실시 예에 따라, 프로세서(120)는 최종 데이터의 적어도 하나에 부가 데이터를 결합할 수 있다. 일 실시 예에 따라, 최종 데이터는 제1 타겟 데이터(예: 목표 거리)와 제2 타겟 데이터(예: 목표 시간)를 포함할 수 있고, 프로세서(120)는 추천 데이터가 제공되는 종류에 따라 제1 타겟 데이터 또는 제2 타겟 데이터에 부가 데이터를 결합할 수 있다. 일 실시 예에 따라, 프로세서(120)는 추천 데이터가 거리 기반으로 제공되는 경우, 제1 타겟 데이터(예: 목표 거리)와 부가 데이터(예: 준비 거리, 또는 마무리 거리)를 결합할 수 있다. 일 실시 예에 따라, 프로세서(120)는 추천 데이터가 시간 기반으로 제공되는 경우, 제2 타겟 데이터(예: 목표 시간)와 부가 데이터(예: 준비 시간, 또는 마무리 시간)를 결합할 수 있다. 이러한 예시에 대하여 후술하는 도 19를 참조하여 설명된다.
동작(1507)에서, 프로세서(120)는 결합하는 결과에 기반하여 추천 데이터를 생성할 수 있다.
도 16은 다양한 실시 예들에 따른 전자 장치에서 추천 데이터를 가공하는 방법을 도시하는 흐름도이다.
도 16을 참조하면, 동작(1601)에서, 전자 장치(101)의 프로세서(120)는 생성하는 추천 데이터를 확인하여, 동작(1603)에서, 추천 데이터가 오버피팅(overfitting)에 대응하는지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 다음 운동을 위해 예측된 추천 데이터(예: 목표 거리 및 목표 시간)와 기준 운동(예: 사용자의 이전 운동 데이터들 중에서, 사용자가 실제 운동을 하면서 전자 장치(101)에 의해 측정된 운동 데이터)의 최대 데이터(예: 최대 거리)를 비교할 수 있다. 일 실시 예에 따라, 기준 운동은 사용자에 의해 수기로 입력된 운동 데이터는 포함하지 않을 수 있다. 일 실시 예에 따르면, 프로세서(120)는 아래 <수학식 11>의 예시와 같이, 추천 데이터가 미리 설정된 기준 거리(예: 입력 운동의 최대 거리에 특정 배수(예: 1.1배)의 곱)보다 큰 지 여부에 따라 오버피팅 여부를 판단할 수 있다.
Figure PCTKR2018009557-appb-I000023
동작(1603)에서, 프로세서(120)는 추천 데이터가 오버피팅이 아닌 것을 판단하면(동작(1603)의 아니오), 동작(1607)로 진행하여, 동작(1607) 이하의 동작 수행을 처리할 수 있다.
동작(1603)에서, 프로세서(120)는 추천 데이터가 오버피팅인 것을 판단하면(동작(1603)의 예), 동작(1605)에서, 추천 데이터를 수정할 수 있다. 일 실시 예에 따라, 프로세서(120)는 다음 운동을 위한 운동 거리(예: 목표 거리)가 미리 정의된 거리 기준을 초과하는 것을 결정하면, 추천 데이터(예: 제1 타겟 데이터, 또는 제2 타겟 데이터)를 미리 설정된 기준 값(criteria value)에 기반하여 수정할 수 있다. 일 실시 예에 따라, 제1 타겟 데이터와 제2 타겟 데이터에 따른 목표 거리 및 목표 시간을 기준 값에 기반하여 기준 값만큼 감소시킬 수 있다.
동작(1605)에서, 프로세서(120)는 수정된 추천 데이터에 기반하여 운동을 추천할 수 있다. 일 실시 예에 따라, 운동을 추천하는 것과 관련하여 후술하는 도 18 및 도 19를 참조하여 설명된다.
도 17은 다양한 실시 예들에 따른 전자 장치에서 운동을 코치하는 동작 시나리오를 설명하기 위해 도시하는 도면이다.
도 17을 참조하면, 엘리먼트(1710)에서, 전자 장치(101)는 사용자 프로파일(user profile)과 운동 데이터(workout data)를 획득할 수 있다. 일 실시 예에 따라, 사용자 프로파일은 사용자가 전자 장치(101)를 이용하여 미리 입력된 정보일 수 있고, 운동 데이터는 사용자에 의해 수행된 과거의 운동 데이터 및 사용자에 의해 입력된 운동 데이터를 포함할 수 있다.
엘리먼트(1720)에서, 전자 장치(101)는 전처리(pre-processing)를 수행할 수 있다. 일 실시 예에 따라, 전자 장치(101)는 전처리 동작으로 운동 데이터의 필터링(1725)을 수행할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 미리 설정된 적어도 하나의 조건에 기반하여 필터링을 수행할 수 있다. 예를 들면, 적어도 하나의 조건은 추출할 운동 데이터의 구간(예: 오늘을 기준으로 주 단위, 월 단위, 또는 연 단위), 운동 데이터의 적어도 하나의 기준 조건(예: 일정 거리 이상, 또는 일정 시간 이상) 등을 포함할 수 있다.
엘리먼트(1730)에서, 전자 장치(101)는 노멀라이징(normalizing)을 수행할 수 있다. 일 실시 예에 따라, 전자 장치(101)는 노멀라이징 동작으로 지수 평활법(exponential smoothing)(1735)을 이용하여 필터링된 운동 데이터에 대한 스무딩 처리할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 스무딩의 결과로서 소스 데이터(예: 제1 소스 데이터, 또는 제2 소스 데이터)를 획득할 수 있다.
엘리먼트(1740)에서, 전자 장치(101)는 타겟 데이터를 위한 타겟팅(targeting)을 수행할 수 있다. 일 실시 예에 따라, 전자 장치(101)는 스무딩에 따라 획득된 소스 데이터를 이용하여 제1 타겟 데이터(예: 목표 거리 또는 목표 시간)를 결정할 수 있다. 일 실시 예에 따라, 소스 데이터에 기반한 제1 타겟 데이터의 결정은, 거리 또는 시간 중 어느 하나가 미리 설정되거나 사용자 선호도에 기반하여 선택될 수 있다. 일 실시 예에 따라, 전자 장치(101)는 설정된 데이터가 거리인 경우, 소스 데이터에 기반하여 제1 타겟 데이터로서 목표 거리를 산출할 수 있다. 일 실시 예에 따라, 전자 장치(101)는 설정된 데이터가 시간인 경우, 소스 데이터에 기반하여 제1 타겟 데이터로서 목표 시간을 산출할 수 있다. 일 실시 예에 따라, 전자 장치(101)는 사용자 프로파일에 기반하여 사용자 선호도(또는 성향)를 분석하고, 분석 결과에 기반하여 제1 타겟 데이터로 목표 거리 또는 목표 시간을 산출할 수 있다.
엘리먼트(1750)에서, 전자 장치(101)는 타겟 데이터를 위한 예측(prediction)을 수행할 수 있다. 일 실시 예에 따라, 전자 장치(101)는 소스 데이터(예: 제1 소스 데이터, 제2 소스 데이터)와 제1 타겟 데이터에 기반하여 제2 타겟 데이터(예: 목표 거리 또는 목표 시간)를 예측할 수 있다. 일 실시 예에 따라, 예측하고자 하는 제2 타겟 데이터는 앞서 결정된 제1 타겟 데이터에 따라 결정될 수 있다. 예를 들면, 제1 타겟 데이터가 거리에 기반하여 산출된 값인 경우, 제2 타겟 데이터는 목표 시간일 수 있고, 제1 타겟 데이터가 시간에 기반하여 산출된 값인 경우, 제2 타겟 데이터는 목표 거리일 수 있다.
일 실시 예에 따라, 전자 장치(101)는 전술된 바와 같은 다양한 추정 기법에 기반하여 제2 타겟 데이터를 예측할 수 있다. 예를 들면, 전자 장치(101)는 운동 데이터(exercise data) 기반의 최대 산소 섭취량(Vo2Max) 추정(1751), 프로파일 및 테스트 결과 기반의 최대 산소 섭취량 추정(1753), 외부 데이터(예: 웨어러블 디바이스에 의해 측정되어 입력되는 데이터 등) 기반의 최대 산소 섭취량 추정(1755), 데이브 카메론의 모델(Dave Cameron's Model) 기반 추정(1757), 또는 피터 리겔의 모델(Pete Riegel's Model) 기반 추정(1757) 등에 기반하여, 각각에 대응하는 복수의 타겟 데이터들을 예측할 수 있다. 전자 장치(101)는 예측된 복수의 타겟 데이터들에 기반하여 제2 타겟 데이터를 예측할 수 있다.
엘리먼트(1760)에서, 전자 장치(101)는 타겟 데이터를 위한 회귀(regression) 분석을 수행할 수 있다. 일 실시 예에 따라, 전자 장치(101)는 선형 회귀 분석(linear regression model)(1765)을 통해 제2 타겟 데이터를 결정할 수 있다.
일 실시 예에 따라, 엘리먼트(1750)에 따른 예측과 엘리먼트(1760)에 따른 회귀 중 어느 하나 또는 조합에 의해 제2 타겟 데이터를 결정할 수도 있다.
엘리먼트(1770)에서, 전자 장치(101)는 전술한 <수학식 10>을 참조한 설명 부분에서 설명한 바와 같이, 사용자 프로파일 정보에 기반하여, 가중치 팩터들(weight factors)에 의해 결과들을 결합에 의하여 추정 데이터를 생성할 수 있다.
엘리먼트(1780)에서, 전자 장치(101)는 최종 추천 데이터를 생성할 수 있다. 일 실시 예에 따라, 전자 장치(101)는 제1 타겟 데이터 및 제2 타겟 데이터에 기반하여 추천 데이터를 제공할 수 있다. 일 실시 예에 따라, 전자 장치(101)는 부가 데이터(예: warm-up and cool-down periods)에 적어도 기반하여 제1 타겟 데이터 및/또는 제2 타겟 데이터를 보정하여 추천 데이터를 제공할 수도 있다.
엘리먼트(1790)에서, 전자 장치(101)는 추천 데이터를 제공할 수 있다.
도 18은 다양한 실시 예들에 따른 전자 장치에서 헬스 케어 서비스를 제공하는 방법을 도시하는 흐름도이다.
도 18을 참조하면, 동작(1801)에서, 전자 장치(101)의 프로세서(120)는 활동 정보(activity information)를 결정할 수 있다. 일 실시 예에 따라, 프로세서(120)는 사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보 중 지정된 조건을 만족하는 적어도 하나의 활동 정보를 결정할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 전술한 바와 같이 운동 데이터 필터링 동작에 기반하여 활동 정보를 결정할 수 있다. 일 실시 예에 따라, 사용자의 움직임과 관련하여 이전에 획득한 활동 정보는 센서 모듈(176)을 이용하여 획득된 데이터 또는 서버에 저장된 데이터의 적어도 하나를 포함할 수 있다. 일 실시 예에 따라, 전자 장치(101)는 통신 회로(예: 도 1의 통신 모듈(190))을 포함하고, 프로세서(120)는 통신 회로를 이용하여 연결된 외부 전자 장치(예: 서버)로부터 사용자의 움직임과 관련하여 이전에 획득한 하나 또는 그 이상의 활동 정보들(예: 서버에 저장된 운동 데이터들)을 수신하도록 할 수 있다.
동작(1803)에서, 프로세서(120)는 결정된 활동 정보에 기반하여 사용자에 대한 제1 운동 강도(예: 타겟 운동 거리)를 결정할 수 있다. 일 실시 예에 따라, 프로세서(120)는 적어도 하나의 활동 정보의 시간의 흐름에 대응하는 변화에 적어도 기반하여, 상기 사용자에 대한 제1 운동 강도를 결정할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 전술한 바와 같은 타겟팅 동작에 기반하여 제1 운동 강도를 결정할 수 있다.
일 실시 예에 따라, 프로세서(120)는 적어도 하나의 활동 정보의 적어도 일부에 지정된 가중치가 적용된 보정 정보에 더 기반하여, 제1 운동 강도를 결정할 수도 있다. 다양한 실시 예들에서, 보정 정보는, 예를 들면, 스무딩 결과로, 소스 거리(source distance)(예: weighted average distance), 소스 시간(source duration)(예: weighted average duration)를 포함할 수 있다. 일 실시 예에 따르면, 보정 정보의 적어도 일부로, 적어도 하나의 활동 정보에 적어도 기반하여 결정된 평균 운동 거리 정보 또는 평균 운동 시간 정보 중 적어도 하나를 포함할 수 있다.
동작(1805)에서, 프로세서(120)는 이전에 설정된 운동 목표에 기반하여 제1 운동 강도가 조정된 제2 운동 강도를 결정할 수 있다. 일 실시 예에 따라, 프로세서(120)는 사용자와 관련하여 이전에 설정된 운동 목표에 기반하여 제1 운동 강도를 조정하는 것에 의해 제2 운동 강도를 결정할 수 있다. 일 실시 예에 따라, 제1 운동 강도가 조정된 제2 운동 강도는, 예를 들면, 타겟 운동 거리에 기반하여 타겟 운동 시간을 획득하여 결합하는 것일 수 있다. 일 실시 예에 따라, 제1 운동 강도가 타겟 운동 시간인 경우, 제2 운동 강도는 타겟 운동 시간에 기반하여 타겟 운동 거리를 획득하여 결합하는 것일 수 있다. 일 실시 예에 따르면, 프로세서(120)는 전술한 바와 같은 예측 동작에 기반하여 제2 운동 강도를 결정할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 전자 장치(101)의 사용자의 생체 정보(예: 프로파일 정보)에 적어도 기반하여 운동 목표를 설정할 수 있다. 일 실시 예에 따라, 프로세서(120)는 제1 운동 강도 및 제2 운동 강도의 적어도 일부로, 사용자의 운동 목표와 관련하여 운동 거리 또는 운동 시간 중 적어도 하나를 포함하도록 할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 지정된 부가 정보(예: 부가 데이터로, 예를 들면, warm-up and cool-down periods)에 적어도 기반하여, 결정된 제2 운동 강도를 보정할 수 있다. 일 실시 예에 따라, 프로세서(120)는 획득된 최종 데이터에 부가 정보를 결합(추가)할 수 있다.
동작(1807)에서, 프로세서(120)는 제2 운동 강도와 관련된 가이드 정보를 제공할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 전술한 바와 같은 추천 동작에 기반하여 가이드 정보를 제공할 수 있다. 이러한 예시에 대하여 후술하는 도 19를 참조하여 설명된다. 일 실시 예에 따르면, 프로세서(120)는 결정된 제2 운동 강도가 지정된 운동 강도 범위(예: 오버피팅 범위)를 만족하는지의 여부에 적어도 기반하여 가이드 정보를 생성할 수 있다. 일 실시 예에 따라, 프로세서(120)는 제2 운동 강도가 오버피팅(overfitting)에 대응하는지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 다음 운동을 위해 예측된 제2 운동 강도(예: 목표 거리 및 목표 시간)와 기준 운동(예: 사용자의 이전 운동 데이터들 중에서, 사용자가 실제 운동을 하면서 전자 장치(101)에 의해 측정된 운동 데이터)의 최대 데이터(예: 최대 거리)를 비교할 수 있다.
다양한 실시 예들에 따르면, 전자 장치(101)는 통신 회로(예: 도 1의 통신 모듈(190))를 포함하고, 프로세서(120)는 결정된 제2 운동 강도와 관련된 데이터를 통신 회로를 이용하여, 전자 장치(101)와 연결된 외부 전자 장치로 전송할 수 있다. 일 실시 예에 따르면, 전자 장치(101)에서 결정된 운동 목표(예: 제2 운동 강도)와 관련된 데이터를 외부 전자 장치(예: 운동 기구)로 전송하여, 운동 기구의 운동 설정으로 활용하도록 할 수 있다.
도 19는 다양한 실시 예들에 따른 전자 장치에서 운동 코치에 관련된 사용자 인터페이스의 예를 도시하는 도면이다.
도 19를 참조하면, 전자 장치(101)는 추천 데이터를 설정된 사용자 인터페이스(UI, user interface)(1900)에 기반하여, 운동 프로그램(exercise program)의 하나로서 표시 장치(160)(또는 디스플레이(210))를 통해 사용자에게 제공할 수 있다. 사용자 인터페이스(1900)는, 추천 데이터 기반의 운동 프로그램과, 이전에 미리 설정된 다른 운동 프로그램을 포함할 수 있다.
일 실시 예에 따라, 추천 데이터(1900)는 운동 프로그램에 관련된 정보(1910), 운동 코치 정보(1920, 1930)를 포함할 수 있다.
운동 프로그램에 관련된 정보(1910)는, 운동 프로그램 이름(예: My coach), 운동 종류(예: burn fat, cardio), 운동 수준(예: 초급, 중급, 고급), 운동량 정보(예: 10.47Km for 67mins) 등의 정보를 포함할 수 있다. 운동 프로그램에 관련된 정보(1910)는 텍스트, 이미지(예: 사용자 얼굴 이미지), 또는 아이콘의 적어도 일부의 조합으로 제공될 수 있다.
운동 코치 정보(1920, 1930)는, 운동 관련 안내 정보(1920)와 운동 구간 정보(1930)를 포함할 수 있다. 일 실시 예에 따라, 운동 구간 정보(1930)는 도형(예: 그래프), 텍스트 등에 기반하여 제공할 수 있다. 일 실시 예에 따라, 운동 구간 정보(1930)는 운동 구간 별 그래프 정보(1930), 목표 구간(1940), 준비 구간(1950), 마무리 구간(1960)을 구분하여 제공될 수 있다.
일 실시 예에 따르면, 전자 장치(101)는 운동 코치 정보(1920, 1930)에 기반하여, 사용자의 운동 진행에 따른 오디오 가이드를 사용자에게 제공할 수도 있다.
이상에서 살펴본 바와 같이, 다양한 실시 예들에 따른 전자 장치(101)의 동작 방법은, 사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보 중 지정된 조건을 만족하는 적어도 하나의 활동 정보를 결정하는 동작, 상기 적어도 하나의 활동 정보의 시간의 흐름에 대응하는 변화에 적어도 기반하여, 상기 사용자에 대한 제1 운동 강도를 결정하는 동작, 상기 사용자와 관련하여 이전에 설정된 운동 목표에 적어도 기반하여, 상기 제1 운동 강도가 조정된 제2 운동 강도를 결정하는 동작, 및 상기 제2 운동 강도와 관련된 가이드 정보를 제공하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 상기 제1 운동 강도를 결정하는 동작은, 상기 적어도 하나의 활동 정보의 적어도 일부에 지정된 가중치가 적용된 보정 정보에 더 기반하여, 상기 제1 운동 강도를 결정하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 상기 보정 정보의 적어도 일부로, 상기 적어도 하나의 활동 정보에 적어도 기반하여 결정된 평균 운동 거리 정보 또는 평균 운동 시간 정보 중 적어도 하나를 포함할 수 있다.
다양한 실시 예들에 따라, 상기 사용자의 생체 정보에 적어도 기반하여, 상기 운동 목표를 설정하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따라, 상기 결정된 제2 운동 강도와 관련된 데이터를 통신 회로를 이용하여 연결된 외부 전자 장치로 전송하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따라, 상기 제1 운동 강도 및 상기 제2 운동 강도의 적어도 일부로, 상기 사용자의 운동 목표와 관련하여 운동 거리 또는 운동 시간 중 적어도 하나를 포함할 수 있다.
다양한 실시 예들에 따라, 통신 회로를 이용하여 연결된 외부 전자 장치로부터 상기 사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보를 수신하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따라, 지정된 부가 정보에 적어도 기반하여, 상기 결정된 제2 운동 강도를 보정하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따라, 상기 가이드 정보를 제공하는 동작은, 상기 결정된 제2 운동 강도가 지정된 운동 강도 범위를 만족하는지의 여부에 적어도 기반하여 상기 가이드 정보를 생성하는 동작을 포함할 수 있다.
이상에서 살펴본 바와 같이, 다양한 실시 예들에 따른 전자 장치(101)의 동작 방법은, 사용자의 이전 운동과 관련된 운동 데이터로부터 소스 데이터를 획득하는 동작, 상기 소스 데이터의 적어도 일부로부터 제1 타겟 데이터를 결정하는 동작, 상기 소스 데이터와 상기 제1 타겟 데이터를 이용하여, 제2 타겟 데이터를 위한 복수의 예측 결과들을 추정하는 동작, 상기 복수의 예측 결과들의 평균에 기반하여 상기 제2 타겟 데이터를 결정하는 동작, 상기 제1 타겟 데이터와 상기 제2 타겟 데이터에 기반하여 사용자의 운동 코치를 위한 추천 데이터를 생성하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 상기 소스 데이터를 획득하는 동작은, 상기 운동 데이터를, 설정된 적어도 하나의 조건에 기반하여 필터링 하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 상기 소스 데이터를 획득하는 동작은, 상기 필터링된 운동 데이터를 스무딩(smoothing) 하는 동작, 상기 스무딩 결과로부터 소스 거리(source duration)와 소스 시간(source distance)을 획득하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 상기 필터링된 운동 데이터가 기준 개수를 초과하는 경우, 최근 운동 데이터를 기준으로 상기 기준 개수만큼 감소하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따라, 상기 제1 타겟 데이터를 결정하는 동작은, 미리 설정되거나 사용자 선호도에 기반하여 상기 제1 타겟 데이터의 종류를 결정하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 상기 예측 결과들을 추정하는 동작은, 복수의 다른 추정 기법들에 기반하여 상기 복수의 예측 결과들을 추정하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 상기 제2 타겟 데이터를 결정하는 동작은, 상기 운동 데이터들을 이용한 선형 회귀 분석(linear regression model)에 기반하여 상기 제2 타겟 데이터를 결정하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 상기 추천 데이터를 생성하는 동작은, 상기 제1 타겟 데이터와 상기 제2 타겟 데이터의 적어도 일부에 설정된 부가 데이터를 결합하여 상기 추천 데이터를 생성하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 상기 추천 데이터를 생성하는 동작은, 상기 추천 데이터의 오버피팅(overfitting) 여부를 판단하는 것에 응답하여, 상기 추천 데이터를 가공하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 상기 추천 데이터를 상기 전자 장치의 운동 프로그램(exercise program)으로 등록하는 동작을 더 포함할 수 있다.
본 명세서와 도면에 개시된 본 발명의 다양한 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 범위는 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 전자 장치에 있어서,
    센서 회로; 및
    프로세서를 포함하고, 상기 프로세서는,
    사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보 중 지정된 조건을 만족하는 적어도 하나의 활동 정보를 결정하고,
    상기 적어도 하나의 활동 정보의 시간의 흐름에 대응하는 변화에 적어도 기반하여, 상기 사용자에 대한 제1 운동 강도를 결정하고,
    상기 사용자와 관련하여 이전에 설정된 운동 목표에 적어도 기반하여, 상기 제1 운동 강도가 조정된 제2 운동 강도를 결정하고, 및
    상기 제2 운동 강도와 관련된 가이드 정보를 제공하도록 설정된 전자 장치.
  2. 제1항에 있어서, 상기 프로세서는,
    상기 적어도 하나의 활동 정보의 적어도 일부에 지정된 가중치가 적용된 보정 정보에 더 기반하여, 상기 제1 운동 강도를 결정하도록 설정된 전자 장치.
  3. 제2항에 있어서, 상기 프로세서는,
    상기 보정 정보의 적어도 일부로, 상기 적어도 하나의 활동 정보에 적어도 기반하여 결정된 평균 운동 거리 정보 또는 평균 운동 시간 정보 중 적어도 하나를 포함하도록 설정된 전자 장치.
  4. 제1항에 있어서, 상기 프로세서는,
    상기 사용자의 생체 정보에 적어도 기반하여, 상기 운동 목표를 설정하도록 설정된 전자 장치.
  5. 제1항에 있어서, 통신 회로를 더 포함하고,
    상기 프로세서는,
    상기 결정된 제2 운동 강도와 관련된 데이터를 상기 통신 회로를 이용하여 연결된 외부 전자 장치로 전송하도록 설정된 전자 장치.
  6. 제1항에 있어서, 상기 프로세서는,
    상기 제1 운동 강도 및 상기 제2 운동 강도의 적어도 일부로, 상기 사용자의 운동 목표와 관련하여 운동 거리 또는 운동 시간 중 적어도 하나를 포함하도록 설정된 전자 장치.
  7. 제1항에 있어서, 통신 회로를 더 포함하고,
    상기 프로세서는,
    상기 통신 회로를 이용하여 연결된 외부 전자 장치로부터 상기 사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보를 수신하도록 설정된 전자 장치.
  8. 제1항에 있어서, 상기 프로세서는,
    지정된 부가 정보에 적어도 기반하여, 상기 결정된 제2 운동 강도를 보정하도록 설정된 전자 장치.
  9. 제1항에 있어서, 상기 프로세서는,
    상기 결정된 제2 운동 강도가 지정된 운동 강도 범위를 만족하는지의 여부에 적어도 기반하여 상기 가이드 정보를 생성하도록 설정된 전자 장치.
  10. 제1항에 있어서, 상기 프로세서는,
    상기 적어도 하나의 활동 정보를 설정된 기준 개수에 기반하여 결정하도록 설정된 전자 장치.
  11. 전자 장치의 동작 방법에 있어서,
    사용자의 움직임과 관련하여 이전에 획득한 하나 이상의 활동 정보 중 지정된 조건을 만족하는 적어도 하나의 활동 정보를 결정하는 동작,
    상기 적어도 하나의 활동 정보의 시간의 흐름에 대응하는 변화에 적어도 기반하여, 상기 사용자에 대한 제1 운동 강도를 결정하는 동작,
    상기 사용자와 관련하여 이전에 설정된 운동 목표에 적어도 기반하여, 상기 제1 운동 강도가 조정된 제2 운동 강도를 결정하는 동작, 및
    상기 제2 운동 강도와 관련된 가이드 정보를 제공하는 동작을 포함하는 방법.
  12. 제11항에 있어서, 상기 제1 운동 강도를 결정하는 동작은,
    상기 적어도 하나의 활동 정보의 적어도 일부에 지정된 가중치가 적용된 보정 정보에 더 기반하여, 상기 제1 운동 강도를 결정하는 동작을 포함하는 방법.
  13. 제12항에 있어서,
    상기 보정 정보의 적어도 일부로, 상기 적어도 하나의 활동 정보에 적어도 기반하여 결정된 평균 운동 거리 정보 또는 평균 운동 시간 정보 중 적어도 하나를 포함하는 방법.
  14. 제11항에 있어서,
    상기 사용자의 생체 정보에 적어도 기반하여, 상기 운동 목표를 설정하는 동작을 더 포함하는 방법.
  15. 제11항에 있어서,
    상기 결정된 제2 운동 강도와 관련된 데이터를 통신 회로를 이용하여 연결된 외부 전자 장치로 전송하는 동작을 더 포함하는 방법.
PCT/KR2018/009557 2017-08-22 2018-08-21 사용자의 활동 정보에 기반하여 운동 강도와 관련된 가이드 정보를 제공하는 방법 및 장치 WO2019039819A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/640,450 US11610506B2 (en) 2017-08-22 2018-08-21 Method and apparatus for providing guide information associated with exercise intensity on basis of user activity information

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170106273A KR20190021111A (ko) 2017-08-22 2017-08-22 사용자의 활동 정보에 기반하여 운동 강도와 관련된 가이드 정보를 제공하는 방법 및 장치
KR10-2017-0106273 2017-08-22

Publications (1)

Publication Number Publication Date
WO2019039819A1 true WO2019039819A1 (ko) 2019-02-28

Family

ID=65439049

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/009557 WO2019039819A1 (ko) 2017-08-22 2018-08-21 사용자의 활동 정보에 기반하여 운동 강도와 관련된 가이드 정보를 제공하는 방법 및 장치

Country Status (3)

Country Link
US (1) US11610506B2 (ko)
KR (1) KR20190021111A (ko)
WO (1) WO2019039819A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11690564B2 (en) 2019-11-22 2023-07-04 MyFitnessPal, Inc. Training plans and workout coaching for activity tracking system
US11517790B2 (en) * 2019-11-26 2022-12-06 MyFitnessPal, Inc. Methods and apparatus for training plan delivery and logging
KR102535883B1 (ko) * 2021-02-09 2023-05-23 고려대학교 산학협력단 자기 주도형 척추 안정화 운동 관리 방법 및 컴퓨터 판독 가능 기록 매체
US20220331659A1 (en) * 2021-04-16 2022-10-20 Fitbod, Inc. Determining a user's current exercise capability
US20220331658A1 (en) * 2021-04-16 2022-10-20 Fitbod, Inc. Machine-learned exercise capability prediction model
KR20240116487A (ko) * 2021-12-15 2024-07-29 주식회사 에스알파테라퓨틱스 퍼포먼스 향상을 위한 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060007236A (ko) * 2004-07-19 2006-01-24 삼성전자주식회사 체중 관리 방법 및 시스템
KR20140015678A (ko) * 2012-07-06 2014-02-07 계명대학교 산학협력단 생체신호 피드백을 이용한 맞춤 가상현실 운동 시스템
KR20160054325A (ko) * 2014-11-06 2016-05-16 장재윤 맞춤형 개인 트레이닝 관리 시스템 및 방법
KR20160091694A (ko) * 2015-01-26 2016-08-03 삼성전자주식회사 운동 가이드 정보를 제공하는 방법, 장치 및 시스템
KR20170050190A (ko) * 2015-10-29 2017-05-11 삼성전자주식회사 활동 가이드 정보 제공 방법 및 이를 지원하는 전자 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI20065147A (fi) 2006-03-03 2006-03-03 Firstbeat Technologies Oy Järjestelmä ja menetelmä harjoittelun ohjaamiseksi
KR20130113893A (ko) 2012-04-08 2013-10-16 삼성전자주식회사 사용자 맞춤형 건강 관리를 수행하는 사용자 단말 장치 및 건강 관리 시스템과 그 방법
KR102403364B1 (ko) * 2015-06-04 2022-05-30 삼성전자주식회사 피드백에 기초하여 운동 프로그램을 제공하는 방법 및 장치
KR101715369B1 (ko) 2016-11-29 2017-03-22 (주)프로차일드 멀티센서를 이용한 운동 가이드피드백 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060007236A (ko) * 2004-07-19 2006-01-24 삼성전자주식회사 체중 관리 방법 및 시스템
KR20140015678A (ko) * 2012-07-06 2014-02-07 계명대학교 산학협력단 생체신호 피드백을 이용한 맞춤 가상현실 운동 시스템
KR20160054325A (ko) * 2014-11-06 2016-05-16 장재윤 맞춤형 개인 트레이닝 관리 시스템 및 방법
KR20160091694A (ko) * 2015-01-26 2016-08-03 삼성전자주식회사 운동 가이드 정보를 제공하는 방법, 장치 및 시스템
KR20170050190A (ko) * 2015-10-29 2017-05-11 삼성전자주식회사 활동 가이드 정보 제공 방법 및 이를 지원하는 전자 장치

Also Published As

Publication number Publication date
KR20190021111A (ko) 2019-03-05
US20200211410A1 (en) 2020-07-02
US11610506B2 (en) 2023-03-21

Similar Documents

Publication Publication Date Title
WO2019039819A1 (ko) 사용자의 활동 정보에 기반하여 운동 강도와 관련된 가이드 정보를 제공하는 방법 및 장치
WO2020171582A1 (en) Method for determining watch face image and electronic device therefor
WO2019182336A1 (ko) 전자 장치 및 전자 장치의 디스플레이 구동 방법
WO2018182351A1 (en) Method for providing information and electronic device supporting the same
WO2017142341A1 (en) Method for integrating and providing collected data from multiple devices and electronic device for implementing same
WO2016133349A1 (ko) 생체 정보를 측정하는 전자 장치 및 방법
WO2021162436A1 (en) Electronic device including display and method for operating the same
WO2016018065A1 (en) Blood glucose measuring device and method, and electronic device including blood glucose measuring module
WO2020159147A1 (ko) 전자 장치 및 전자 장치의 그래픽 객체 제어 방법
WO2017074078A1 (en) Method for operating electronic device and electronic device for supporting the same
WO2017003218A1 (en) Method for controlling multiple batteries and electronic device for implementing same
WO2018143696A1 (ko) 복수의 이미지들간의 변화에 기반하여 동영상을 촬영하는 전자 장치 및 그 제어 방법
WO2020130691A1 (en) Electronic device and method for providing information thereof
EP3652610A1 (en) Electronic device and operation control method thereof
WO2016186418A1 (en) Sensor information using method and electronic device using the same
WO2020171563A1 (en) Electronic device and method for controlling operation of display in same
WO2021025272A1 (en) Foldable electronic device for detecting folding angle and operating method thereof
WO2018236082A1 (en) METHOD FOR DETERMINING BAROMETRIC SENSOR DATA USING DATA OBTAINED FROM A MOTION SENSOR AND CORRESPONDING ELECTRONIC DEVICE
WO2021101006A1 (ko) 외부 객체의 반사 이미지의 위치에 기반하여 컨텐츠를 제공하는 전자 장치 및 전자 장치의 동작 방법
WO2020111576A1 (ko) 어플리케이션의 실행 화면에 기반하여 열화를 보상하는 방법 및 이를 구현한 전자 장치
WO2021230485A1 (ko) 영상을 제공하는 방법 및 장치
WO2020130301A1 (en) Electronic device for tracking user activity and method of operating the same
WO2019143167A1 (ko) 지문 센서가 시각적 인식되는 정도를 조절하는 전자 장치
WO2018182375A1 (en) Electronic device and method for providing colorable content
WO2019164126A1 (ko) 사용자의 심혈관 상태에 대한 정보를 제공하기 위한 전자 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18847470

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18847470

Country of ref document: EP

Kind code of ref document: A1